正則表達式匹配HREF，但沒有媒體文件

我使用這個正則表達式來數學href's所有內容的網頁上：正則表達式匹配HREF，但沒有媒體文件

？（？：HREF）= [\「|」]（* ？）[\「|'|>] +

它工作正常。但我想只匹配不喜歡媒體的聯繫（PNG | JPG | AVI | WAV | GIF）等

我想是這樣加入

（（PNG）？！）。

對我的正則表達式，但這沒有奏效。我讀this question 但無法獲得任何工作解決方案。

來源

2013-01-24 pila

對於解析基於XML的文檔來說，Regex幾乎不是一個好選擇。但是一旦你獲得了href值，就會實例化一個URI來進行路徑解析。 –

我認爲它比使用htmlagilitypack或其他用於xml解析的更高性能。還是更高效？ – pila

性能不是必需的問題，這是事實上，hrefs可以有許多不同的形式，您的代碼可能不會覆蓋，但真正的XML或HTML解析器會。 –

using HtmlAgilityPack; 

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument(); 
List<string> href = new List<string>(); 

private void addHREF() 
{ 
    //put your input to check 
    string input = ""; 

    doc.LoadHtml(input); 
    //Which files ignore? 
    string[] stringArray = { ".png", ".jpg" }; 
    foreach (var item in doc.DocumentNode.SelectNodes("//a")) 
    { 
     string value = item.Attributes["href"].Value; 
     if (stringArray.Any(value.Contains) == false) 
      href.Add(value); 
    } 
}

我與我的輸入測試的偉大工程......如果您有任何問題，讓我知道..

來源

2013-01-25 01:58:01 a1204773

謝謝，我終於從正則表達式切換到htmlagilitypack - 工作正常。所以這一個是被接受的答案。但其他正則表達式也很好！謝謝大家 – pila

即使我建議反對這種做法，你會發現這個正則表達式的幫助：

(?<=href\s*=\s*['"]?)(?>(https?://)?([\da-z\.-]+)\.([a-z\.]{2,6})([/\w\.-]*)*/?)(?<!png|gif|etc)

（基於8 Regular Expressions You Should Know URL正則表達式）

注意，該表達式將不允許在空間URL。這是因爲HREF的不帶引號將匹配以下屬性（例如，"domain.com/resource.txt title"）

例：

static void Main(string[] args) 
{ 

    string l_input = 
     "<a href=\n" + 
     "  \"HTTPS://example.com/page.html\" title=\"match\" />\n" + 
     "<a href='http://site.com/pic.png' title='do not match'> <a href=domain.com/resource.txt title=match>\n" + 
     " <script src=scripts.com/script.js>"; 

    foreach (Match l_match in Regex.Matches(l_input, @"(?<=href\s*=\s*['""]?)(?>(https?://)?([\da-z\.-]+)\.([a-z\.]{2,6})([/\w\.-]*)*/?)(?<!png|gif|etc)", RegexOptions.IgnoreCase)) 
     Console.WriteLine("'" + l_match.Value + "'"); 

    /* 
    * Returns: 
    * 
    * HTTPS://example.com/page.html 
    * domain.com/resource.txt 
    *   
    */ 

    Console.ReadKey(true); 

}

來源

2013-01-24 20:25:07 JDB

我的努力

@"(?<=\shref\s*=\s*[""']?)(?![""']|\S+\.(?:png|jpg|avi|wav|gif)[""']?[\s>])\S+?(?=[""']?[\s>])";

它使用正向後看定位內容和負向視圖，以確保它不包含任何點，然後是可選的引號和一個sp，然後輸入png jpg avi wav gif。王牌或>。然後匹配，直到一個可選的引號，然後是空格或>。內容不必被引用，但不得包含空格。

來源

2013-01-24 20:57:56 MikeM

這不匹配'href =「http ...」'（空格）。否則，不壞。 – JDB

@ Cyborgx37。更新爲允許'='周圍的空間，並允許非引用內容。 – MikeM

我知道這個問題已經回答了。

我想提供使用CsQuery代替HtmlAgilityPack

我覺得語法更緊湊，非常類似於其他結構，因爲它是基於LINQ

//input is your input HTML string 
var links = CQ.Create(input).Find("a").Select(x=>x.Cq().Attr("href"));

例如不同的方法

var links = CQ.Create("<div><a href='blah'></a><a href='blah2'></a></div>").Find("a").Select(x=>x.Cq().Attr("href")); 
Console.Write(string.Join(",",dom)); //prints blah,blah2

希望這有助於任何人:)

來源

2013-03-12 21:33:38

正則表達式匹配HREF，但沒有媒體文件

回答

相關問題