Question

我有一个HTML文件（我不能使用HTML AgilityPack），我想提取div的id（如果有的话）

<div id="div1">Street ___________________ </div>
<div id="div2">CAP |__|__|__|__|__| number ______ </div>
<div id="div3">City _____________________ State |__|__|</div>
<div id="div4">City2 ____________________ State2 _____</div>

我有一个提取下划线的模式 __ ：[\ _]{3,}

现在，如果我在下划线前面有一个div，我想提取它，如果不是，我只会得到下划线。

到目前为止，我已经构建了这种模式(<div id(.+?)>(\w)([\ _]{3,}/*))([\ _]{3,})

第一部分是3组 1 - div标签，2 - 标签，3 - 下划线

1 - <div id(.+?)>，2 - (\w)，3 - [\ _]{3,}/*

id为div2的div不会使用id，因为它包含非alfanumeric字符。

问：我的模式出了什么问题？

4个div的所需匹配：

<div id="div1">Street ___________________
______ 
<div id="div3">City _____________________
<div id="div4">City2 ____________________
_____

Answer 1

\w只是一个字符，您可能想说一个或多个 - \w+。
/* - 零个或多个/？我看不出它适合的地方。
一个或多个非>（即[^>]+）可能比.+?更好。 .+?将尝试停在第一个>，但会一直持续到找到匹配的字符串，即：
```
<div id=1>this is not valid</div><div id=2>this is valid___</div>
```
将匹配整个字符串，而不仅仅是<div id=2>。
就我的问题而言，下划线前的所有内容都应该是可选的。

模式：

(?:(<div id[^>]+>)(\w+))?([\ _]{3,})

C# Test

Answer 2

尝试类似

的内容

string html = @"<div id=""div1"">Street ___________________ </div>
<div id=""div2"">CAP |__|__|__|__|__| number ______ </div>
<div id=""div3"">City _____________________ State |__|__|</div>
<div name=""hello"" id=""div4"">City _____________________ State |__|__|</div>
<div name=""house"">City _____________________ State |__|__|</div>
<div id=""notext""></div>";

var rx = new Regex(@"<div(?:(?: id=""(?<id>[^""]+)"")|[^>])*>(?<content>[^<]*)</div>", 
                   RegexOptions.IgnoreCase);

var matches = rx.Matches(html);

foreach (Match match in matches)
{
    var id = match.Groups["id"];
    var content = match.Groups["content"];

    Console.WriteLine("id present: {0}, id: {1}, text: {2}", 
                      id.Success, 
                      id.ToString(), 
                      content.ToString());
}

如果有效，我将解释正则表达式（即<div(?:(?: id="(?<id>[^"]+)")|[^>])*>(?<content>[^<]*)</div>）

解析多个组

2 个答案: