C＃Regex - 如何解析瑞典字母åäöÅ？的字符串？

Question

我正在尝试以这种格式解析HTML文件：

<a href="/userinfo/userinfo.aspx?ID=305157" target="main">MyUsername</a> O22</td>

我想检索“305157”，“MyUsername”和“O22”中的第一个字母（可以是T，K或O）的信息。

我正在使用这个正则表达式; <a href="/userinfo/userinfo\.aspx\?ID=\d*" target="helgonmain">\w*</a> \w\d\d并且它工作正常，只要没有任何åäöÅÄÖ在哪里“\ w”。

我该怎么办？

Answer 1

您可以使用特别包含这些内容的字符类：

[\wåäöÅÄÖ]*

或者您可以将Unicode字符类用于字母：

\p{L}

或专门针对拉丁语：

\p{InBasicLatin}

Answer 2

您可以使用\p{L}来匹配任何“字母”，这将支持所有语言中的所有字母，如SO question中所述。

或者，您只需将\w*替换为[^<]*，即可匹配所有不属于HTML标记的字符。

但正如其他人所说，使用正则表达式解析HTML是a first step towards insanity ...

Answer 3

首先：不要将常规表达式用于PARSE HTML。使用HTML PARSER。

其次：如果你真的想这样做（而你没有这样做），那么你可以匹配除了'＆lt;'之外的任何角色，而不是\ w：

<a href="/userinfo/userinfo\.aspx\?ID=\d*" target="helgonmain">[^<]*</a> \w\d\d