解析HTML正则表达式

//把所有HTML标签找出来

哈哈，继昨天的那个正则表达式之后又写了一个更长的Regular Expression，全长527，是用于查找出所有的XHTML/HTML的标记外面的所有空格，并将之转换为 的。希望这个能够解决dudu提的一个cnblogs的bug：）即使不能解决问题也算是对System.Text.RegularExpression.Regex的一个练笔了：）

(?:(?:\<(?:Style)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:Style)\>))|(?:(?:\<(?:script)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:script)\>))|(?:\<!(?:[\w-]+)(?:\s+(?:[\w-]+|\"[\s\S]*?\"|\'[\s\S]*?\'))*\s*\>)|(?:\<!--[\s\S]*?--\>)|(?:\<(?:[\w-]+)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)|(?:\</(?:[\w-]+)\>)|(?:\<!\[CDATA\[(?:[\s\S]*?)\]\]\>)|(?:(?:(?<blank>[ ]+)|[^ \<\>])+)

再给个更长的（全长765）正则表达式，这个算是我写的最长的正则表达式了。其实上面给出的第一个Regex是下面这个的一个专用于捕获blank的简化版本。
虽然长，但很有用，可以解析出整个XHTML/HTML页面的所有元素和结构来：）解析后的内容都分别保存在named groups中了，可以通过match.Groups["name"];来提取，比如match.Groups["tag"];match.Groups["attribute"];match.Groups["Style_Block";match.Groups["XML_Comment"];等，感兴趣的不妨试一试就知道了：）

(?#Copyright 2005, by Laser Lu.)(?<Style_Block>(?<begin>\<(?<tag>style)(?:\s+(?<attribute>[\w-:]+)(?:=(?<value>[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?<body>[\s\S]*?)(?<end>\</\k<tag>\>))|(?<Script_Block>(?<begin>\<(?<tag>script)(?:\s+(?<attribute>[\w-:]+)(?:=(?<value>[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?<body>[\s\S]*?)(?<end>\</\k<tag>\>))|(?<XML_Directive>\<!(?<name>[\w-:]+)(?:\s+(?<argument>[\w-:]+|\"[\s\S]*?\"|\'[\s\S]*?\'))*\s*\>)|(?<XML_Comment>\，<!XML指令>，<![CDATA[ ... ]]>，标记或指令的标识符支持[a-zA-Z0-9_-:]；
3。支持name=value和单独一个name的attribute，能够识别出""或''包括的属性值；
4。针对<style></style>和<script></script>标记包含的内容进行特殊处理，也就是所有的CSS和Script代码将原封不动的作为整体捕获。

//非htmt标记中的空格转换成“ ”

正则表达式代码如下：

public static string ReplaceSpace(string content)
{
string findstr="(?<fore>(?:(?:[^< ])*(?:<(?:!--(?:(?:[^-])*(?:(?=-->)|-))*--|(?:[^>])+)>)?)*)[ ](?<back>(?:(?:[^< ])*(?:<(?:!--(?:(?:[^-])*(?:(?=-->)|-))*--|(?:[^>])+)>)?)*)";
string replacestr="${fore} ${back}";
string targetstr=System.Text.RegularExpressions.Regex.Replace(content,findstr,replacestr,System.Text.RegularExpressions.RegexOptions.IgnoreCase);
return targetstr;
}

这个正则表达式是一位朋友提供的，主要功能是将字符串中非htmt标记中的空格转换成“ ”, 目前我还没查出这个正则表达式中的问题，请熟悉正则表达式的朋友指点。

//获取URL

string regex="href=[\\\"\\\'](http:\\/\\/|\\.\\/|\\/)?\\w+(\\.\\w+)*(\\/\\w+(\\.\\w+)?)*(\\/|\\?\\w*=\\w*(&\\w*=\\w*)*)?[\\\"\\\']";

preg_match_all('/<a.*?(?: |\\t|\\r|\\n)?href=[\'"]?(.+?)[\'"]?(?:(?: |\\t|\\r|\\n)+.*?)?>(.+?)<\/a.*?>/sim', $strSource, $strResult, PREG_PATTERN_ORDER);

//PHP正则相关文章

[专题] 正则表达式在PHP中的应用

[文章] 正则表达式中的特殊字符

[文章] 正则表达式使用详解

[文章] 在PHP中使用与Perl兼容的正则表达式

[文章] 揭开正则表达式语法的神秘面纱

[文章] MySql正则表达式的描述

[Classes] Search

[下载] Mastering Regular Expressions (英文PDF)

[常见问答] 如何使用PHP中的正则表达式

[常见问答] 正则表达式的基本语法

[常见问答] 怎么将单引号“'”前面加上一个反斜杠?

[常见问答] 能否在SQL语句中使用正则表达式?

[常见问答] 如何用正则表达式来表示中文?

//了解更多基于Perl样式的正则：http://www.pcre.org

http://blog.csdn.net/heiyeshuwu/archive/2006/05/15/740232.aspx

posted on 2007-02-25 14:05 mbskys 阅读(936) 评论(0) 收藏举报