使用正则表达式从HTML中的Url中删除查询字符串

Question

给定一个html文档，从文档中的每个url中删除查询字符串的最正确和简洁的正则表达式模式是什么？

Answer 1

使用正则表达式无法有效地解析HTML。如果您事先知道页面的格式 - 例如

• 链接始终采用＆lt; a href =“没有不必要的字符转义的网址”＆gt;或
• 所有链接都是绝对的，没有其他以http：exists
开头的非链接字符串

那么你可以侥幸逃脱它，但对于一般的[X] HTML，正则表达式解析器是不合适的。

根据您使用的语言，您需要找到HTML解析器库（例如Python的BeautifulSoup），或者与标准XML解析器结合的HTML整理器，然后扫描文档以获取＆lt;一个＆GT;元素（也许是其他元素，例如。＆lt; img＆gt;如果您对这些元素感兴趣？），那么将属性值拆分为'？'。

Answer 2

Re：Bobince的评论，HTMLAgilityPack是.NET的一个很好的HTML解析器，它处理不正确的标记比其他解析器更宽容。

使用它可以让你找到所有的A标签，然后你可以获得HREF并简单地删除任何内容，包括'？'

Answer 3

找到这个：

/href="([^\?"]*?)\?[^\"]*"/

替换为：

href="\1"

您可能需要注意它不会删除<link>标记。