使用正則表達式從HTML中的URL中刪除查詢字符串

Question

給定一個html文檔，從文檔中的每個url中刪除查詢字符串最正確和簡潔的正則表達式模式是什麼？

Answer 1

你不能用正則表達式解析HTML。如果你事先知道頁面的格式 - 例如。

• 鏈接的形式始終< A HREF =「鏈接，沒有多餘字符轉義」>，或
• 所有的鏈接都是絕對的，以http開頭沒有其他非鏈路串：存在

那麼你可以放棄它，但對於一般的[X] HTML正則表達式解析器是不合適的。

根據您使用的語言，您需要找到HTML解析器庫（例如Python的BeautifulSoup）或HTML整理器與標準XML解析器的組合，然後掃描文檔以找到< a>元素（也可能是其他人，如< img>如果你對這些感興趣？），然後在'？'上分割屬性值。

Answer 2

回覆：Bobince的評論，HTMLAgilityPack是一個很好的用於.NET的html解析器，它比其他解析器更能處理不正確的標記。

使用它可以讓你找到所有的A標籤，然後你就可以得到HREF並且簡單地刪除任何東西，包括'？'

Answer 3

找到這個：

/href="([^\?"]*?)\?[^\"]*"/ 

替換：

href="\1" 

你可能要小心，它不會刪除<link>標籤。