使用C#正则表达式从<a>标签中提取URL

Question

我正在尝试从a标签中提取URL，但是我得到的不是https://website.com/-id1，而是a标签的文本链接。以下是我的代码：

string text="<a style=\"font - weight: bold; \" href=\"https://website.com/-id1\">MyLink</a>";

 string parsed = Regex.Replace(text, " <[^>] + href =\"([^\"]+)\"[^>]*>", "$1 " );

    parsed = Regex.Replace(parsed, "<[^>]+>", "");

    Console.WriteLine(parsed);

我得到的结果是MyLink，但这并不是我想要的。我需要类似于以下内容：

https://website.com/-id1

任何帮助或链接将不胜感激。

- user6745503

---

https://dev59.com/X3I-5IYBdhLWcg3wq6do - René Vogt

@rkun，你不是在解析，而是在替换。你应该使用.Match来捕获URL，而不是试图删除URL之外的任何内容。例如：.Match(text,""href\\s*=\\s*\".*?\"")。 - Panagiotis Kanavos

可能是查找<a>链接的'href'值的正则表达式的重复问题。 - nikovn

Answer 1

正则表达式可以在HTML中用于非常特定、简单的情况。例如，如果文本仅包含一个标签，您可以使用"href\\s*=\\s*\"(?<url>.*?)\""来提取URL，例如：

var url=Regex.Match(text,"href\\s*=\\s*\"(?<url>.*?)\"").Groups["url"].Value;

该模式将返回：

https://website.com/-id1

这个正则表达式并不复杂。它查找可能带有空格的href=，然后以非贪婪模式（.*?）捕获第一个双引号和下一个双引号之间的任何内容。这个匹配结果被捕获到名为url的命名组中。

如果需要更复杂的功能，情况将变得非常复杂。例如，支持单引号和双引号都需要特殊处理，以避免从单引号开始，但在双引号结束。该字符串可能包含多个同时使用单引号和双引号的<a>标签。

对于复杂的解析，最好使用像AngleSharp 或 HtmlAgilityPack 这样的库。

- Panagiotis Kanavos

---

我想强烈推荐HtmlAgilityPack。正如有史以来最著名的SO答案所说，混合正则表达式和HTML通常是个坏主意。坚持使用解析库，这些库可以为您提供面向对象的东西来操作。 - pymaxion

谢谢@Panagiotis，感谢您的回答和深入见解。我会研究一下。 - user6745503

Answer 2

试试这个：

var input = "<a style=\"font - weight: bold; \" href=\"https://website.com/-id1\">MyLink</a><a style=\"font - weight: bold; \" href=\"https://website.com/-id2\">MyLink2</a>";
var r = new Regex("<a.*?href=\"(.*?)\".*?>");
var output = r.Matches(input);
var urls = new List<string>();
foreach (var item in output) {
    urls.Add((item as Match).Groups[1].Value);
}

它将查找所有的a标签并提取它们的href值，然后将其存储在urls列表中。

说明

<a>匹配开始的<a>标记
.*?href= 匹配直到href=
"(.*?)" 匹配并捕获""内的任何内容
.*?> 匹配<a>标记的结尾

- Maciej Kozieja

---

谢谢。非常好的见解。你能否给我的问题一个积极的投票，这样我就可以给答案一个积极的投票了。现在，我只有13个声望，我需要2个以上。提前致谢。 - user6745503

谢谢，非常感激 :) - user6745503