Mat*_*ton 22 html c# regex xhtml
我正在寻找一个正则表达式语句,让我从XHTML文档的body标签之间提取HTML内容.
我需要解析的XHTML将是非常简单的文件,例如,我不必担心JavaScript内容或<![CDATA[标签.
下面是我要解析的HTML文件的预期结构.由于我完全知道我将要使用的HTML文件的所有内容,因此这个HTML代码段几乎涵盖了我的整个用例.如果我能得到一个正则表达式来提取这个例子的主体,我会很高兴.
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Strict//EN"
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-strict.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
<head>
<title>
</title>
</head>
<body contenteditable="true">
<p>
Example paragraph content
</p>
<p>
</p>
<p>
<br />
</p>
<h1>Header 1</h1>
</body>
</html>
从概念上讲,我一直在尝试构建一个匹配内部正文内容的所有正则表达式字符串.有了这个,我会使用C#Regex.Split()方法来获取正文内容.我以为这个正则表达式:
((.|\n)*<body (.)*>)|((</body>(*|\n)*)
...会有所作为,但它似乎与我在RegexBuddy中的测试内容完全无关.
Von*_*onC 23
这会有用吗？
((?:.(?!<body[^>]*>))+.<body[^>]*>)|(</body\>.+)
当然,您需要添加必要\s的内容以便考虑< body ...>(带空格的元素),如:
((?:.(?!<\s*body[^>]*>))+.<\s*body[^>]*>)|(<\s*/\s*body\s*\>.+)
第二个想法,我不确定为什么我需要一个负面的预测...这也应该有效(对于格式良好的xhtml文档):
(.*<\s*body[^>]*>)|(<\s*/\s*body\s*\>.+)
使用XML解析器比使用正则表达式更容易解析XHTML.我知道这不是你问的问题,但是XML解析器能够快速导航到body节点并返回其内容,而不会出现正则表达式给你的任何标记映射问题.
编辑:回应此处的评论; XML解析器太慢了.
有两种XML解析器,一种叫做DOM,大而重,简单友好,它可以在你做任何事情之前从文档中构建一棵树.另一个叫做SAX,速度快,工作量大,顺序读取文件.您将希望SAX找到Body标签.
DOM方法适用于多种用途,提取标签并查找谁是孩子.SAX解析器按顺序读取文件,然后快速获取您所需的信息.正则表达式不会比SAX解析器快,因为它们都只是遍历文件和模式匹配,除了正则表达式在找到正文标记后不会退出,因为正则表达式没有内置XML知识.实际上,您的SAX解析器可能使用小块正则表达式来查找每个标记.
小智 5
String toMatch="aaaaaaaaaaabcxx sldjfkvnlkfd <body>i m avinash</body>";
Pattern pattern=Pattern.compile(".*?<body.*?>(.*?)</body>.*?");
Matcher matcher=pattern.matcher(toMatch);
if(matcher.matches()) {
System.out.println(matcher.group(1));
}
| 归档时间： |
|
| 查看次数： |
48265 次 |
| 最近记录： |