Question

早上好！我正在使用c＃（框架3.5sp1），并希望通过正则表达式解析以下html片段：

<h1>My caption</h1>
<p>Here will be some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

我需要以下输出：

第1组：h1的内容
第2组：h1后续文本的内容
组3-n：子标题的内容+文本

我有什么atm：

<hr.*?/>
<h2.*?>(.*?)</h2>
([\W\S]*?)
<hr.*?/>

由于尾随<hr/>，这将给我每个奇数子标题+内容（例如，1,3，...）。为了解析h1-caption我有另一种模式（<h1.*?>(.*?)</h1>），它只给我标题而不是内容 - 我对那个atm很好。

是否有人为我提供了提示/解决方案或任何替代逻辑（例如，通过阅读器解析html并以这种方式分配？）？

修改
正如一些人带来的HTMLAgilityPack，我很好奇这个好工具。我完成了<h1> - 标签的内容但是...我的问题是解析其余部分。这是由以下原因引起的：内容的标记可能会有所不同 - 从<p>到<div>和<ul> ... atm这似乎或多或少地遍历整个文档并解析标签的标签......？任何提示？

Answer 1

这个

你真的需要HTML parser

Answer 2

不要使用正则表达式来解析HTML。考虑使用HTML Agility Pack。

Answer 3

正如其他人所提到的，使用HtmlAgilityPack。但是，如果您喜欢jQuery / CSS选择器，我只是找到了一个名为Fizzler的HtmlAgilityPack的分支： http://code.google.com/p/fizzler/ 使用此功能，您可以使用以下命令查找所有<p>标记：

var pTags = doc.DocumentNode.QuerySelectorAll('p').ToList();

或找到像<div id="myDiv"></div>这样的特定div：

var myDiv = doc.DocumentNode.QuerySelectorAll('#myDiv');

它不能比那更容易！

如何解析这段HTML？

3 个答案: