相关疑难解决方法(0)

一个错误我看到人们做了,并再次试图解析XML或HTML用正则表达式.以下是解析XML和HTML很难的几个原因:

人们希望将文件视为一系列行,但这是有效的:

<tag
attr="5"
/>

人们希望将<或<tag视为标记的开头,但是这样的东西存在于野外:

<img src="imgtag.gif" alt="<img>" />

人们通常希望将起始标记与结束标记匹配,但XML和HTML允许标记包含自身(传统的正则表达式根本无法处理):

<span id="outer"><span id="inner">foo</span></span> 

人们通常希望匹配文档的内容(例如着名的"查找给定页面上的所有电话号码"问题),但数据可能会被标记(即使在查看时看起来是正常的):

<span class="phonenum">(<span class="area code">703</span>)
<span class="prefix">348</span>-<span class="linenum">3020</span></span>

评论可能包含格式不正确或不完整的标记:

<a href="foo">foo</a>
<!-- FIXME:
    <a href="
-->
<a href="bar">bar</a>

你还知道其他什么问题？

如何使用各种语言解析HTML并解析库？

回答时:

个人评论将链接到有关如何使用正则表达式解析HTML的问题的答案,作为展示正确行事方式的一种方式.

为了保持一致性,我要求该示例解析hrefin锚标记的HTML文件.为了便于搜索此问题,我要求您遵循此格式

语言:[语言名称]

图书馆:[图书馆名称]

[example code]

请使库成为库文档的链接.如果您想提供除提取链接之外的示例,还请包括:

目的:[解析的作用]

我需要一个正则表达式模式来查找HTML中的网页链接.

我首先使用@"(<a.*?>.*?</a>)"提取链接(<a>),但我无法href从中获取.

我的字符串是:

1. <a href="www.example.com/page.php?id=xxxx&name=yyyy" ....></a>
2. <a href="http://www.example.com/page.php?id=xxxx&name=yyyy" ....></a>
3. <a href="https://www.example.com/page.php?id=xxxx&name=yyyy" ....></a>
4. <a href="www.example.com/page.php/404" ....></a>

1,2和3是有效的,我需要它们,但是4号对我来说无效(?并且=是必不可少的)

谢谢大家,但我不需要解析<a>.我有一个href="abcdef"格式的链接列表 .

我需要获取href链接并过滤它,我最喜欢的网址必须包含?和=喜欢page.php?id=5

谢谢!

例如:

string = "This is a link http://www.google.com"

我怎样才能提取"http://www.google.com"？

(每个链接的格式相同,即'http://')

我希望这个问题不是RTFM问题.我正在尝试编写一个Python脚本,从标准HTML网页(<link href...标签)中提取链接.我在网上搜索匹配的regexen,发现了许多不同的模式.是否有任何商定的标准正则表达式匹配链接？

亚当

更新: 我实际上正在寻找两个不同的答案:

1. 什么是解析HTML链接的库解决方案.美丽的汤似乎是一个很好的解决方案(谢谢,Igal Serban和cletus!)
2. 可以使用正则表达式定义链接​​吗？