C#中正则表达式匹配Html标签详解

学习记录1

以下是一段Html代码

其他内容...

伊拉克战争！

其他内容...

正则表达式：＜table.*(?=headline)

解释：这个正则表达式匹配表格的开始标记，能够返回开始标记直至“headline”之间的所有内容（换行除外）。就是我以上以红色标示出来的部分。

原理：

.* #除换行外的所有字符

(?=headline) #零宽度正预测先行断言,匹配以headline结尾的单词的前面部分(除了headline以外的部分)。

学习记录2

其他内容...

伊拉克战争！

其他内容...

正则表达式：＜table.*(?=headline)(.|\n)*?＜/table＞

解释：它将会匹配最长的以＜table border="0" width="11%" class="开始，以＜/table＞

结束的字符串，就是我以上以红色标示出来的部分。

原理：＜table.*(?=headline) #参见记录1的解释

(.|\n) #指示在两个或多个项之间进行选择，(z|f)ood 与“zood”或“food”匹配。

*? #应当与上一个(.|\n) 联合起来看，.*?

就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。

＜/table＞#匹配的结束标记

注意：“(.|\n)”后面的“*”匹配0个到多个任意字符；而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。＜/table＞是表格的结束标记。

学习记录3

其他内容...

伊拉克战争！

其他内容...

正则表达式：<(?[^\s>]+)[^>]*>(.|\n)*?>

解释：匹配成对的HTML标签，它将会匹配Html标签及标签中的内容，本例中分三段匹配三个

标签及中的内容。

原理：< #html标签中的<

(?[^\s>]+) #(?)，分组命名的方式，[^\s>]:非任何空白字符及“>”至少匹配一次

[^>]*>#非“>”匹配0到n次，及html的标签“>”

(.|\n) #指示在两个或多个项之间进行选择，(z|f)ood 与“zood”或“food”匹配。

*? #应当与上一个(.|\n) 联合起来看，.*?

就意味着匹配任意数量的重复，但是在能使整个匹配成功的前提下使用最少的重复，懒惰模式。

> #反向引用命名的组，语法为\k及html标签“>”

注意：“(.|\n)”后面的“*”匹配0个到多个任意字符；而“？”使得“*”匹配范围最小化，即在找到表达式的下一部分之前匹配尽可能少的字符。此例使用了分组命名及反向引用命名的组概念。