如何解析这段HTML？

Question

早上好!我正在使用c#(框架3.5sp1),并希望通过正则表达式解析以下html片段:

<h1>My caption</h1>
<p>Here will be some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

<hr class="cs" />
<h2 id="x">CaptionX</h2>
<p>Some text</p>

我需要以下输出:

• 第1组:h1的含量
• 第2组:h1后续文本的内容
• group 3-n:子标题+文本的内容

我有什么atm:

<hr.*?/>
<h2.*?>(.*?)</h2>
([\W\S]*?)
<hr.*?/>

由于尾随,这将给我每个奇怪的子标题+内容(例如,1,3,...)<hr/>.为了解析h1-caption我有另一个模式(<h1.*?>(.*?)</h1>),它只给我标题而不是内容 - 我对那个atm很好.

有没有人为我提供提示/解决方案或任何替代逻辑(例如通过阅读器解析html并以这种方式分配？)？

编辑:
正如一些HTMLAgilityPack带来的,我很好奇这个漂亮的工具.我完成了<h1>-tag的内容.
但是...我的问题是解析其余部分.这是由于:内容的标签可能会有所不同 - 从<p>to <div>和<ul>... atm这似乎或多或少地遍历整个文档并解析标签标签......？任何提示？

Answer 1

你真正需要的HTML解析器该

Answer 2

不要使用正则表达式来解析HTML.考虑使用HTML Agility Pack.