如何使用正则表达式从某些文本中提取脚本标签？

Question

我不太了解正则表达式，我正在尝试从一些提取的页面文本中获取所有脚本标签。我尝试过以下模式：

<script.*?>.*?</script>

但这似乎不会返回任何其中包含任何代码的脚本标记。即来自以下内容：

<script type="text/javascript" src="Scripts/Scipt1.js"></script>
<script type="text/javascript" src="Scripts/Scipt2.js"></script>

<script type="text/javascript">
   function SomeMethod()
   {

   }
</script>

我只会得到以下结果：

<script type="text/javascript" src="Scripts/Scipt1.js"></script>
<script type="text/javascript" src="Scripts/Scipt2.js"></script>

如何返回所有 3 个？ （注意。我确实想在结果中保留外部脚本标签）。

Answer 1

默认情况下， . 不匹配换行符，因此您只会得到单行结果。

使用 RegexOptions.Singleline 来修复此问题。它改变了 . 的含义以匹配任何字符，包括换行符，因此您也可以获得多行匹配。

不要被名字搞糊涂了。另外，不要将其与 RegexOptions.Multiline 混淆，后者是完全不同的（请阅读 IntelliSense 工具提示来了解）。

Answer 2

您应该使用 HTML Agility Pack。

例如：

var doc = new HtmlDocument();
doc.Parse(source);

var scripts = doc.DocumentNode.Descendants("script"); 

Answer 3

取决于 HTML 的质量。

var scripts = XDocument.Parse(HTMLSTRING).Descendants("SCRIPT");

编辑：Pre Xml.Linq 版本：

XmlDocument xDoc = new XmlDocument();
xDoc.Load(HTMLSTRING);
XmlNodeList scripts = xDoc.SelectNodes("//*/SCRIPT");

注意，两者都未经测试......