C＃正則表達式 - 如何解析字符串的瑞典字母åäöÅÄÖ？

Question

我試圖解析HTML文件，對該格式的字符串：

<a href="/userinfo/userinfo.aspx?ID=305157" target="main">MyUsername</a> O22</td> 

我想要檢索的信息，其中「305157」，「MyUserName輸入」和「O22」的第一個字母（可無論是T，K還是O）。

我使用這個正則表達式; <a href="/userinfo/userinfo\.aspx\?ID=\d*" target="helgonmain">\w*</a> \w\d\d並且它工作正常，只要沒有任何「\ w」的åäöÅÄÖ's。

我該怎麼辦？

Answer 1

首先：不要使用正則表達式來解析HTML。使用HTML PARSER。

其次：如果你真的想這樣做（和你不這樣做），那麼代替\ W，你可以離開「<」匹配任何字符：

<a href="/userinfo/userinfo\.aspx\?ID=\d*" target="helgonmain">[^<]*</a> \w\d\d 

Answer 2

您可以使用\p{L}來匹配任何'字母'，它將支持所有語言的所有字母，如SO question中所建議的。

或者，您可以簡單地將\w*替換爲[^<]*，以匹配所有不是HTML標籤打開的字符。

但作爲被他人使用正則表達式解析HTML說是a first step towards insanity ...

Answer 3

您可以使用一個字符類具體包括那些事：

[\wåäöÅÄÖ]* 

或者您可以使用字母的Unicode字符類：

\p{L} 

或專門爲拉丁文：

\p{InBasicLatin}