Question

我正在从电子邮件内容中提取链接，因此使用Regex和String.Split从已经解析的Content-type: text/html中提取重要信息。
由于直到现在我从未接触过正则表达式，所以我使用的是在线编辑器，它提供了电子邮件的一部分，并围绕它构建了Regex pattern。现在看来，它工作得很好，但是我的代码很混乱，原因是我没有完全理解自己写的内容。

我当前处理链接提取的方式是，删除电子邮件的某些部分（HTML标记），然后将获得的字符串分割两次。

这是我在Regex上进行测试的示例（这正是将Content作为字符串提取时Content的样子，我只是将使用的链接替换为类似的示例）：

<div dir="ltr">

<div>Link text == link (link text would be changed to "Protected link"): 
    <a href="http://www.google.de" 
        target=5Fblank">
            Protected link
    </a>
</div>

<div>Link text != link (link text and link would be rewritten and not equal): 
    <a href="http://www.google.de">
        http://www.google.com
    </a>
</div>

<div>Link text != link (link would be rewritten but not link text):
    <a href="http://www.google.de">
        Click!
    </a>
</div>

<div>Link text != link (link would be not rewritten, in whitelist): 
    <a href="http://www.google.de">
        Click!
    </a>
</div>

<div>Link is not rewritten: 
    <a href="http://www.google.de">
        http://www.google.de
    </a>
</div>

<div>Link text != link (no protocol in link text and would be not rewritten): 
    <a href="http://www.google.de">
        www.google.de
    </a>
</div>

我使用的Regular Expression看起来像这样：

"(href=\"[a-zA-Z0-9-:/.=?]*\"*[a-zA-Z0-9=\" ]*)([>a-zA-Z0-9-:/.,;\"=!? \t\n]*)"

将提取的链接和链接文本写入数组后，我将它们拆分了两次。
首先是在此>字符处，然后是提取的字符串以href="开头并以"个字符分割的情况。

var linkParser = new Regex(pattern, RegexOptions.Compiled | RegexOptions.IgnoreCase);
string[] links = new string[linkParser.Matches(text).Count];

int t = 0;
foreach (Match ma in linkParser.Matches(text))
{
    links[t] = ma.Value;
    t++;
}

var list = new List<String[]>();
string[] temp;

for (int i = 0; i < links.Length; i++)
{
    temp = links[i].Split('>');
    list.Add(temp);
}

var pairs = new List<String[]>();

for (int i = 0; i < list.Count; i++)
{
    string[] tmp = list[i];
    for (int j = 0; j < tmp.Length; j++)
    {
        if (tmp[j].StartsWith("href=\""))
        {
            pairs.Add(new String[]
            {
                tmp[j].Split(new string[]
                {
                    "href=\""
                }, StringSplitOptions.None)[1].Split('"')[0], tmp[j + 1]
            });
        }
    }
}

Answer 1

由于链接用引号引起来，因此您可以将正则表达式简化为（href =“ [^”] +“）。为了说明这一点，它匹配href =“，然后匹配任何数字（不止一个），除引号”外，再匹配引号“。
您还可以使用组直接获取链接，而不用拆分/替换字符串
由于您需要链接及其文本，因此请尝试以下操作：
已编辑：

python2 -c "import crypt,getpass; print crypt.crypt(getpass.getpass(),'$salt')"

此输出为：

var matches = Regex.Matches(str, "<a href=\"(?<link>[^ \"]+)\"[^>]*>(?<text>(.|\n)*?)(?=(<\\/a>))<\\/a>");
for(int i = 0; i < matches.Count; i++)
{
    Console.WriteLine($"{matches[i].Groups["link"].Value} {matches[i].Groups["text"].Value}");
}

我希望这就是您要寻找的

关于某些正则表达式的建议

1 个答案: