如何从字符串中解析出网页的链接？

Question

Regex linkParser = new Regex(@"\b(?:https?://|www\.)\S+\b", RegexOptions.Compiled | RegexOptions.IgnoreCase);
                    string rawString = link;
                    foreach (Match m in linkParser.Matches(rawString))
                    {
                        string links = m.Value;
                    }

我正在尝试解析/获取此字符串中的链接：

<a href="http://rotter.net/cgi-bin/forum/dcboard.cgi?az=read_count&om=112190&forum=scoops1"><b>

我只想得到这一部分：

http://rotter.net/cgi-bin/forum/dcboard.cgi?az=read_count&om=112190&forum=scoops1

但是我在字符串链接中得到的是：

http://rotter.net/cgi-bin/forum/dcboard.cgi?az=read_count&om=112190&forum=scoops1"><b

最后剩下的是">

Answer 1

尝试将\S+更改为[^\"\>]+

最后一个字符串：\b(?:https?:\/\/|www\.)[^\"\>]+\b

但这不仅仅是找到工作链接。如果你的链接类似于<a href="www.a<not working Link>flupp"><b>，它会找到www.a<not working Link。

这个表达式只查找直到下一个"或>的所有内容(如果它是一个有效的HTML，并且您知道两个引号之间的文本是一个普通链接，那么您只需要" (这将使表达式成为\b(?:https?:\/\/|www\.)[^\"]+\b))。

使用它，它将找到www.a<not working Link>flupp，这正是两个引号之间的内容。

如果你想禁止更多的字符，你必须编辑[^\"\>]+。

顺便说一句:我认为在?:https?:之后同时避开两个/是有意义的

这样做的原因是因为您告诉他查找所有非空格字符，并且应该以字母结尾。因为这个表达式是贪婪的，所以它会“吃”尽可能多的非空格字符。"和>不是空格字符，(制表符)是。[^\"]+告诉他在找到"之前获取所有字符。在找到一个后，他会停下来。

Answer 2

我发现像一些人说的那样使用HTMLAgilityPack，因为它不是一种常规的语言。下载后，考虑到这是源代码中唯一包含此文本的节点：

            HtmlAgilityPack.HtmlDocument hp = new HtmlAgilityPack.HtmlDocument();
            string source = File.ReadAllText( @"C:\Users\Admin\Desktop\source.txt" );
            hp.LoadHtml(source);
            var node = hp.DocumentNode.SelectSingleNode("//a[contains(@href, 'http://rotter.net/cgi-bin/forum/dcboard.cgi?az=read_count&om=112190&forum=scoops1')]");
            string found = node.Attributes["href"].Value;                        
            Console.WriteLine(found);

你可以从任何你想要的地方拉你的源代码，无论是通过网络客户端或本地文件下载。这将返回：http://rotter.net/cgi-bin/forum/dcboard.cgi?az=read_count&om=112190&forum=scoops1