在C＃中读取和解析文本文件的最佳方法

Question

我有一个包含HTML代码的文本文件，我想只使用特定的标签并使用C＃保存它们！

我想用很少的Regex系列做到这一点，这是最好和最简单的方法吗？！或者C＃中有一个更容易的功能可以做到吗？

Answer 1

使用正则表达式可能不是最好的方法，实际上我会说这是你能想到的众多“坏”想法之一。

您可能希望查看使用HTMLAgilityPack：它将解析HTML，创建一个可以导航的节点树，您将能够查看您感兴趣的标记而无需执行任何操作“疯狂”正则表达。如果你避免正则表达式，那么你将免除很多麻烦，因为HTML as it is found in the wild can be poor, nasty and brutish, though quite often far from short。

Answer 2

正则表达式可以工作，但你必须非常小心。 HTML不是一种“常规语言”，因此有一些可以解决问题的自由格式异常。您还必须小心跨越换行符匹配。它可以做到。

查看： http://htmlagilitypack.codeplex.com/

Answer 3

如果HTML格式正确，您可以尝试使用XML解析器读取它并使用那里的方法。幸运的是，框架中可以立即使用这些工具来完成此任务。考虑使用LINQ to XML使您的工作尽可能简单。

否则，如果格式不正确，您可以使用第三方工具对其进行解析，例如HTML Agility Pack。

Answer 4

在SO上详细介绍了使用正则表达式解析HTML。共识是不应该这样做。给这篇文章读一读，了解原因：

RegEx match open tags except XHTML self-contained tags

过去我使用SGML reader将HTML转换为xml，然后使用xpath / xslt / linq-to-xml来解析它。这对你也有用。

Answer 5

2个选项：

1）自带循环

2）使用正则表达式来获得更好的匹配和错误。 （你可以将匹配的组与你的正则表达式相匹配）然后你可以迭代其中的每个项目