Question

我正在使用HTMLAgiltyPack来提取嵌入在发送给我们的查询中的电子邮件地址。有问题的HTML部分采用以下形式：

<div class="queryBody">
 <span>
   ****Query here****
   MAY contain paragraphs and lists tags.
 </span>
</div>

这是我的代码：

string query = queryHtml.DocumentNode.SelectNodes(
               @"//div[@class='queryBody']
               /span")[0].InnerText;
string pattern = @"([\w.]+)@([\w.]+)\.([a-z]+)";
Match match = Regex.Match(par, pattern);
string email = "";
if (match.Success)
{
    email = match.Value;
}

当<span>中的HTML包含段落和列表时，会出现问题。在这种情况下，query将返回一个大字符串，其中包含<p>和<li>中的所有换行符。

示例：

<div class="queryBody">
  <span>
     <p>I am unable to log into my account</p>
     <p>Please help me sort out this problem</p>
     <p>My email is: rebecca.h@gmail.com</p>
     <p>cell: 021901493</p>
  </span>
</div>

query将返回：

I am unable to log into my accountPlease help me sort out this problemMy email is: rebecca.h@gmail.comcell: 021901493

这使得使用我的正则表达式模式提取电子邮件地址非常困难。在使用HtmlAgilityPack遍历HTML节点时，有什么方法可以保留换行符吗？我还能做些什么来成功提取电子邮件地址？

Answer 1

如果只提取一封电子邮件，您可以使用

var query = queryHtml.DocumentNode.SelectNodes(
           @"//div[@class='queryBody']
           /span");
var pattern = @"\S+@\S+\.\S+";
var email = "";
if (query != null)
{
    var emailNode = query.Descendants().Where(m => Regex.IsMatch(m.InnerText, pattern)).FirstOrDefault();
    if (emailNode != null)
    {
        email = Regex.Match(emailNode.InnerText, pattern).Value;
    }
}

重点是找到与电子邮件模式匹配的后代节点（注意我使用的是更通用的模式，匹配1个非空格，@，1 +非空格，{{ 1}}再次1+非空格），然后提取匹配。

您可以通过收集与该模式匹配的所有节点，然后使用.获取所有模式匹配，轻松调整多封电子邮件的代码。

Answer 2

你的正则表达式使用原始html，所以我只使用InnerHtml而不是InnerText。代码就是。

string query = queryHtml.DocumentNode.SelectNodes(
               @"//div[@class='queryBody']
               /span")[0].InnerHtml;
string pattern = @"([\w.]+)@([\w.]+)\.([a-z]+)";
Match match = Regex.Match(par, pattern);
string email = "";
if (match.Success)
{
    email = match.Value;
}

这样可以正确获取地址，因为'＆lt;'不在[a-z]。然后，如果你做某些原因需要InnerText我会把它作为一个单独的变量。

使用HtmlAgilityPack的InnerText提取电子邮件时保留换行符

2 个答案: