用C#和正则表达式截取html代码
【IT168技术文档】如何使用C#和正则表达式截取html代码呢，如何处理html代码中的\r\n这样的字符呢，下面我们来一起研究一下，先从截取目标开始。
一、代码说明
1.以下html表示收到的3个组的信息，如果含有"unread.gif"表示未读消息，否则表示已读信息。
2.截取未读消息和已读消息的条数和theUrl
3.要将未读信息和已读信息分开放入两个组里。
<div class="dxx_of" />
<div class="dxx1" ><img src="http://www.microsoft.com/i2/unread.gif" width="14" height="10" title="" /></div>
<div class="dxx2">
<table class="aa" cellpadding="0" cellspacing="0" >
<colgroup>
<col width="463" />
</colgroup>
<tbody>
<tr base>
<td valign="top" onclick="javascript:document.location='thUrl';" >
wa
<div><span class='c9'>共6条会话</span><a href="thUrl" class="sl">+展开</a></span></div>
<span class="c9"></span>
</td>
</tr>
</tbody>
</table>
</div>
<div class="c"></div>
</div>
<div class="dxx_of" />
<div class="dxx1" ></div>
<div class="dxx2">
<table class="aa" cellpadding="0" cellspacing="0" >
<colgroup>
<col width="463" />
</colgroup>
<tbody>
<tr base>
<td valign="top" onclick="javascript:document.location='thUrl';" >
wa
<div><span class='c9'>共3条会话</span><a href="thUrl1" class="sl">+展开</a></span></div>
<span class="c9"></span>
</td>
</tr>
</tbody>
</table>
</div>
<div class="c"></div>
</div>
<div class="dxx_of" />
<div class="dxx1" ></div>
<div class="dxx2">
同上很多html内容
</div>
<div class="c"></div>
</div>
二、官方样例
用C#和正则表达式如何对上例的代码进行截取呢，我们来看看微软官方发布的样例。
示例
System.Text.RegularExpressions.RegexOptions 。
C#
class TestRegularExpressions
{
static void Main()
{
string[] sentences =
{
"cow over the moon",
"Betsy the Cow",
"cowering in the corner",
"no match here"
};
string sPattern = "cow";
foreach (string s in sentences)
{
System.Console.Write("{0,24}", s);
if (System.Text.RegularExpressions.Regex.IsMatch(s, sPattern, System.Text.RegularExpressions.RegexOptions.IgnoreCase))
{
System.Console.WriteLine(" (match for '{0}' found)", sPattern);
}
else
{
System.Console.WriteLine();
}
}
// Keep the console window open in debug mode.
System.Console.WriteLine("Press any key to exit.");
System.Console.ReadKey();
}
}
/* Output:
cow over the moon (match for 'cow' found)
Betsy the Cow (match for 'cow' found)
cowering in the corner (match for 'cow' found)
no match here
*/
以上代码是一个控制台应用程序，用于对数组中的字符串执行简单的不区分大小写的搜索。给定要搜索的字符串和包含搜索模式的字符串后，静态方法 Regex.IsMatch 将执行搜索。使用第三个参数指示忽略大小写。
实际可以使用以下代码来匹配。
Regex regex = new Regex("<div class=\"dxx_of\" .+/>.+(?<htmlCode>.+).+<div class=\"c\"></div>");
MatchCollection matchs = regex.Matches(resultHtml);
if(maths.Count>0)
strig html = matchs[0].Groups["htmlCode"].Value;
但是正则的"."只能匹配不含\n的任何字符，可是HTML代码中有很多\r\n。
三、如何处理特殊字符
如果不重要可以用string Replace方法将 \r\n替换掉，下面这个方法可以有效的将其分为3个组。
C#
class TestRegularExpressionValidation
{
static void Main()
{
string[] numbers =
{
"123-456-7890",
"444-234-22450",
"690-203-6578",
"146-893-232",
"146-839-2322",
"4007-295-1111",
"407-295-1111",
"407-2-5555",
};
string sPattern = "^\d{3}-\d{3}-\d{4}$";
foreach (string s in numbers)
{
System.Console.Write("{0,14}", s);
if (System.Text.RegularExpressions.Regex.IsMatch(s, sPattern))
{
System.Console.WriteLine(" - valid");
}
else
{
System.Console.WriteLine(" - invalid");
}
}
// Keep the console window open in debug mode.
System.Console.WriteLine("Press any key to exit.");
System.Console.ReadKey();
}
}
/* Output:
123-456-7890 - valid
444-234-22450 - invalid
690-203-6578 - valid
146-893-232 - invalid
146-839-2322 - valid
4007-295-1111 - invalid
407-295-1111 - valid
407-2-5555 - invalid
*/
以上代码是一个控制台应用程序，此程序使用正则表达式验证数组中每个字符串的格式。验证要求每个字符串具有电话号码的形式，即用短划线将数字分成三组，前两组各包含三个数字，第三组包含四个数字。这是使用正则表达式 ^\d{3}-\d{3}-\d{4}$ 完成的。
- 上一篇 »Java匹配正则表达式汇总
- 下一篇 »Java匹配正则表达式汇总