Question

我有一个网页来源，我需要提取正文。所以</head><body>和</body></html>之间的任何内容。

我尝试过以下方法但没有成功：

var match = Regex.Match(output, @"(?<=\</head\>\<body\>)(.*?)(?=\</body\>\</html\>)");

它找到一个字符串，但在</body></html>之前很久才将其删除。我根据RegEx cheat sheet转义了字符。

我缺少什么？

Answer 1

我建议使用HtmlAgilityPack - 用正则表达式解析HTML非常非常脆弱。

最新版本甚至支持Linq，因此您可以获得这样的内容：

HtmlWeb web = new HtmlWeb();
HtmlDocument doc = web.Load("http://stackoverflow.com");
string html = doc.DocumentNode.Descendants("body").Single().InnerHtml;

Answer 2

正如许多人在这里所说的那样，正则表达式并不适用于这种html处理。如果没有您的示例网页/ html，我只能说尝试删除?中的非贪婪(.*?)量词并尝试。毕竟，一个html页面只有一个头部和身体。

Answer 3

虽然正则表达式肯定不是完成此任务的最佳工具，但我想提出一些建议和要点：

取消使用尖括号 - 使用字符串前面的@，它们将进入正则表达式，并且不需要为.NET正则表达式进行转义
使用正则表达式，您需要确保头部/身体标记组合之间没有任何空格。
使用正则表达式，body标签不能具有任何属性。

我会建议更像：

(?<=</head>\s*<body(\s[^>]*)?>)(.*?)(?=</body>\s*</html>)

这似乎对我来说对这个页面的来源有用了！

Answer 4

正如其他人所说，处理这个问题的正确方法是使用特定于HTML的工具。我只是想指出那个备忘单的一些问题。

首先，尖括号是错误的：你不需要逃避它们。事实上，它错了两次：它还说\<和\>匹配字边界，这对于.NET来说都是不正确的，并且与关于转义尖括号的建议不兼容。

该作弊表只是一个正则表达式语法元素的随机集合;他们中的大多数都可以在大多数口味中使用，但是很多都保证不以你的特定口味工作，无论它是什么。我建议您忽略它，而是依赖于特定于.NET的文档或Regular-Expressions.info。书籍Mastering Regular Expressions和Regular Expressions Cookbook也非常出色。

至于你的正则表达式，我看不出它的行为方式就像你说的那样。如果它会失败，我希望它完全失败。您的HTML文档中是否包含CDATA部分或带有</body></html>的SGML评论？或者它真的是两个或多个HTML文档一起运行吗？

如何使用.NET中的Regex在2个标记之间提取字符串？

4 个答案: