C#处理html标签一些正则表达式整理收集

蔚落 2021-07-04 13:49 196阅读 0赞

**1：取得A 标签中的内容或者 url title**

<a href='javascript:open_window("http://xx/F/F987K71CHH3JEBIG788IQ2BTRSULYAIY2PFXEXGBB7Q5614QM1-05893?func=service&doc_number=007838178&line_number=0011&service_type=TAG");'>岛上书店 [专著] = The storied life of A.J.Fikry</a>

(?is)<a\s+href=(['"])(?:(?![<>]|\1).)+\1>(?<text>(?:(?!</?a).)+)
    (?is)(?<=<a\s+href=[^>]+>)((?!</?a).)+
    <a\s*[^>]*>([\s\S]+?)</a>
    
    @"(?is)<a[^>]*?id=""rptData_lnkQuerySub_0""[^>]*?>([\s\S].*?)</a>"

//替换掉A标签
    var billno = Regex.Replace(item.WorldexSinotrans[1], @"<a(?:(?!href=).)*href=(['""]?)(?<url>[^""'\s>]*)\1[^>]*>(?<text>(?:(?!</a>).)*)</a>", "", RegexOptions.None);
    
    var repA = Regex.Matches(repImg, @"<A\s*[^>]*>([\s\S]+?)</A>")
        .Cast<Match>().Select(mx => mx.Groups[0].Value.Trim().TrimStart().TrimEnd()).ToList();//Groups根据情况取0/1

**2：替换 html 中有img情况**

var repImg = Regex.Replace(value[0].ToString(), @"<img\s+[^>]*\s*src\s*=\s*([']?)(?<url>\S+)'?[^>]*>", "", RegexOptions.None);

**3：取得form 中的url action 等值**

var resultAction = Regex.Matches(GetReturnHtml(Url), @"<form method=get name=form1\s*[^>]*action=""([\s\S]+?)""[^>]*?>") 
    //@"<form method=get name=form1\s*[^>]*action=""([\s\S]+?)"">.*</form>")
    .Cast<Match>().Select(mx => mx.Groups[1].Value.TrimStart().TrimEnd()).ToList();

**4：直接获取`table`下面所有的`tr td`**

var tableid = @"id=""td""";
    Regex reg = new Regex("(?is)(?<=<table[^>]*?" + tableid + "[^>]*?>(?:(?!</?table).)*)(?is)<tr[^>]*?>(?:\\s*<td[^>]*?class=td1[^>]*?>(.*?)</td>)*\\s*</tr>");

@"(?is)<table[^>]*?" + regexTableParm + "[^>]*?>([\\s\\S].*?)</table>"

**5:直接获取`tr`里面的内容**

var compare = Regex.Match(mTable.Value, "(?is)<tr " + classParm + ">(?:\\s*<td[^>]*>(.*?)</td>)*\\s*((?!</tr>).)*").Groups[0].Value.Trim();//.Groups[1].Value.Trim();

**6：直接获取`td`里面的内容**

var value = Regex.Matches(m.Value, @"(?<=<td[^>]*?class=td1 align=left[^>]*?>)([\s\S]+?)(?=</td>)")
                             .Cast<Match>().Select(mx => mx.Groups[0].Value.Trim().TrimStart().TrimEnd()).ToList();

//(\s+scope=[^>]+)?(\s+class=[^>]+)?>) 匹配td 里面内容class
    var td = Regex.Matches(m.Value, @"(?<=<td(\s+scope=[^>]+)?(\s+class=[^>]+)?>)([\s\S]+?)(?=</td>)")
    // @"(?<=<td>)\r\n\s+[\s\S]*?\r\n\s+(?=</td>)")
                                 .Cast<Match>().Select(mx => mx.Groups[0].Value.Trim().TrimStart().TrimEnd()).ToList();

@"(?is)(?<=<td(\s+align=[^>]+)?>).*?(?=\s*</td)"
    
    @"(?is)(?<=<td(\s+class=[^>]+)?>).*?(?=\s*</td)"

**7：里面有`font`字体的**

var td = Regex.Matches(m.Value, @"(?<=<font(\s+color=[^>]+)?>).*?(?=</font>)").Cast<Match>().Select(mx => mx.Groups[0].Value).ToList();

**8：获取html页面中隐藏`hidden`**

var result = Regex.Matches(response.Content.ReadAsStringAsync().Result, @"<input type=""hidden""[^>]*?.*?\/>")
                                        .Cast<Match>().Select(mx => mx.Groups[0].Value.TrimStart().TrimEnd()).ToList();
    
    //获取 隐藏域中的 id value
    //var reg = @"(?isn)<input((?!([<>]|id=)).)+id=""(?<id>[^""<>]+)""[^<>]*?value=""(?<value>[^<>""]*)""";
    // var keyvalue = Regex.Match(item, reg);
    //returnHidden.Add(keyvalue.Groups[1].Value, keyvalue.Groups[2].Value);
    var key = Regex.Match(item, @"<input type=""hidden""[^>]*?[^>]+?id=""([\s\S]+?)""[^>]+>").Groups[1].Value;
    var value = Regex.Match(item, @"<input type=""hidden""[^>]*?[^>]+?value=""([\s\S]+?)""[^>]+>").Groups[1].Value;

**9：获取html页面中`body`里面的内容**

var resultStr = Regex.Matches(DelHTML(retString), @"(?is)<body[^>]*?>([\s\S].*?)</body>")
                                                .Cast<Match>().Select(mx => mx.Groups[0].Value.TrimStart().TrimEnd()).ToList();

--------------------

## 在C\#中使用正则表达式自动匹配并获取所需要的数据 ##

正则表达式能根据设置匹配各种数据（比如：`e-mail`地址，电话号码，身份中号码等等）。正则表达式功能强大，使用灵活，`C#，Java，JavaScript`等多种语言都支持正则表达式。在互联网上“抓取数据”更是少不了使用正则表达式。今天我要说的是在`C#`中使用正则表达式自动匹配并获取所需要的数据。

从下面是某个IP查询网站返回查询结果的一个部分（字符串），现在就是要从这个字符串中获取“查询结果1：”后面的“北京市 网通”。

C\#相关代码如下：

string  srcString  = "<td align=\"center\"><ul><li>查询结果1：北京市 网通</li><li>查询结果2：北京市 网通</li><li>查询结果3：北京市 网通</li></ul></td> " ;
    // 匹配 "<li>查询结果1：" 与 "</li>" 之间的所有字符的正则表达式
    string  regexStr  =   " <li>查询结果1：(?<key>.*?)</li> " ;
    Regex r  =   new  Regex(regexStr, RegexOptions.None);
    Match mc  =  r.Match(srcString);
    string dataStr  = mc.Groups[ " key " ].Value;

说明：  
这里最关键的是设置正则表达式： " `<li>查询结果1：(?<key>.*?)</li>` "。

<table> 
 <thead> 
  <tr> 
   <th>字符</th> 
   <th>描述</th> 
  </tr> 
 </thead> 
 <tbody> 
  <tr> 
   <td><code>&lt;key&gt;</code></td> 
   <td>根据key获取由正则表达式匹配的值。</td> 
  </tr> 
  <tr> 
   <td><code>.</code></td> 
   <td>匹配除 “\n” 之外的任何单个字符。</td> 
  </tr> 
  <tr> 
   <td><code>*</code></td> 
   <td>匹配前面的子表达式零次或多次。</td> 
  </tr> 
  <tr> 
   <td><code>?</code></td> 
   <td>跟在任何一个其他限制符<code>(*, +, ?, {n}, {n,}, {n,m})</code>后面时，匹配模式是非贪婪的;非贪婪模式尽可能少的匹配所搜索的字符串，而默认的贪婪模式则尽可能多的匹配所搜索的字符串。</td> 
  </tr> 
 </tbody> 
</table>

`dataStr` 就是我们要得的数据：“北京市 网通”。