代码之家 › 专栏 › 技术社区 › Bruce Adams

regex提取HTML正文

regex vb.net c#

Bruce Adams · 技术社区 · 16 年前

如何使用regex从HTML文档中提取正文, 考虑到HTML和body标记可能是大写、小写还是不存在?

3 回复 | 直到 7 年前

Ishmael 7 年前

不要对此使用正则表达式-使用类似于 Html Agility Pack .

这是一个敏捷的HTML解析器, 构建读/写DOM并支持普通的xpath或xslt(实际上不必理解xpath,也不必使用XSLT,不用担心…)。它是一个.NET代码库,允许您分析“离开网络”的HTML文件。这个解析器对“real”非常宽容 world“格式错误的HTML。客体模型与建议非常相似 System.xml,但用于HTML文档(或溪流)

然后你可以提取 body 使用XPath。

Darryl 16 年前

像这样的怎么样?

它捕获了 <body></body> 标签(由于 RegexOptions.IgnoreCase )加入一个名为 theBody .

RegexOptions.Singleline 允许我们将多行HTML作为单个字符串处理。

如果HTML不包含 <车身></Body> 标签 Success 匹配的属性将为假。

        string html;

        // Populate the html string here

        RegexOptions options = RegexOptions.IgnoreCase | RegexOptions.Singleline;
        Regex regx = new Regex( "<body>(?<theBody>.*)</body>", options );

        Match match = regx.Match( html );

        if ( match.Success ) {
            string theBody = match.Groups["theBody"].Value;
        }

Jeremy Stein 16 年前

这会让你非常接近:

(?is)<body(?:\s[^>]*)>(.*?)(?:</\s*body\s*>|</\s*html\s*>|$)

推荐文章

Mear1628 · vb.net从随机选择的端口号接收UDP

10 月前

user1946932 · .Net正则表达式在所有字符前添加空格

11 月前

Xavier Junqué · 可能的VB.NET错误:位移位和幂运算符的行为不一致

11 月前

user1946932 · 正则表达式:删除连续两个以上的<br>?

1 年前

Nor · VB.net-如何在读取后正确关闭文本文件,以便在同一应用程序中打开进行写入

1 年前

Josh · 通过反思访问孩子的财产

1 年前

Khu RJ · 更新网格中的单元格-DevExpress网格控件

1 年前

John89 · MouseHook-MSLLHOOKSTRUCT.mouseData在处理MouseWheel时总是返回相同的值

1 年前

Mick · VB.NET Regex。替换不起作用(数组未更新)

1 年前

SoundWaves · 通过IP从asp.net Web表单使用ESC/P打印到Brother P-Touch

1 年前