用于删除<ul>和<li> C#之间的<a>标记文本的正则表达式

Question

我有以下的html，我尝试了许多正则表达式来删除只在ul标签和li标签之间的超链接内容/文本，但没有找到任何用于删除标签文本的正则表达式。我希望，当一个标签在ul和li标签下时，我想用空字符串替换标签文本。

<ul id="foot.dir" class="content" >
 <li><a href="http://www.citysearch.com/aboutcitysearch/about_us"  name="search_grid.footer.1.aboutCs" rel="nofollow" id="foot.dir.about">About</a></li>
 <li><a href="http://www.citysearch.com/mobile-application" name="search_grid.footer.1.mobile" id="foot.dir.apps">Apps</a></li>
</ul>

我已经尝试过这个正则表达式，但是它不工作，这里的输入是包含html的字符串。

input = Regex.Replace(input, @"<ul[^>]*?><li><a[^>]*?>(?<option>.*?)</ul></li></a>", string.Empty);

请帮帮我。谢谢

Answer 1

正则表达式不是解析HTML文件的好选择。

HTML既不严格，也不规范其格式。

使用htmlagilitypack

正则表达式用于正则表达式

您可以使用此代码通过HtmlAgilityPack检索它

HtmlDocument doc = new HtmlDocument();
doc.Load(yourStream);

foreach(var item in doc.DocumentNode.SelectNodes("//li[a]"))// select li only if it has anchor tag
{
    item.ParentNode.RemoveChild(item);//removed anchor tag
}
//dont forget to save

我只想使用正则表达式删除标记文本。

Regex.Replace(input,@"(?<=<li[^>]*>)\s*<a.*?(?=</li>)","",RegexOptions.Singleline);

Answer 2

Regex is a poor choice for parsing HTML，特别是不一致的超文本标记语言。

我建议使用HTML Agility Pack来解析和更改HTML。

到底什么是超文本标记语言敏捷包？

这是一个敏捷的HTML解析器，它构建了一个读/写DOM，并支持普通的XPATH或XSLT (实际上您不需要理解XPATH或XSLT就可以使用它，不用担心……)。它是一个.NET代码库，允许你解析“网络之外”的超文本标记语言文件。该解析器对“真实世界”格式错误的HTML非常容忍。对象模型非常类似于所提出的System.Xml，只是针对的是超文本标记语言文档(或流)。

下载的源代码附带了许多示例项目，展示了如何使用该库。