正则表达式问题和c#

Question

我编写的字符串操作方法有问题。此方法的目的是在长字符串中查找链接标签，并重新格式化它们的 href。

为了提供一些上下文，我正在解析 CD 上的大量 HTML 文件，并将结果整理到单独项目中网站上的 xml 文件中（我将其编写为控制台应用程序的一部分）。 html 文件包含说明文本，其中包含与 CD 上的文件相关的链接，我需要将 href 更改为与信息所在的网站相关。

如果只有一个链接标记，下面的代码似乎工作得很好，但如果传递两个链接标记，则输出会非常混乱。奇怪的是，Visual Studio 的正则表达式编辑器声称下面的 linkTag 正则表达式仅匹配链接标记，但是当需要用正确的 href 替换链接时，它会在指令字符串中的各个点插入链接片段。

附加正则表达式的 alphaDir 的原因是我最终将扩展此方法以纠正具有不同起始 href 的链接。我们正在讨论解析数千个 html 文件，但这种格式是迄今为止最常见的。

我对此有点茫然，因为我是一名正则表达式初学者，并且在我自己下面编写了所有正则表达式，因此对其中任何一个的任何想法也都很棒。

典型输入字符串

Hold 1st <strong><a href="../f/fist_hand.html">FIST</a></strong> hand, back outward
  &amp; fingers forward, and put 2nd <strong><a href="../f/fist_hand.html">FIST</a></strong> hand, back forward
  &amp; fingers inward, with lower knuckle of its 4th finger on
  lower knuckle of 1st thumb; then slide 2nd hand forwards one
  hand's length.

方法

static string instructions(string instructions)
    {
        Regex Spaces = new Regex(@"\s+|\n|\r");
        Regex linkTag = new Regex(@"<a(.*?)>(.*?)<\/a>");
        Regex linkTagHtml = new Regex(@"<a(.*?)>|<\/a>");
        Regex hrefAttr = new Regex("href=\"(.)*?\"");
        Regex alphaDir = new Regex(@"/([a-z])?/");

        string signName = string.Empty;
        char alphaChar;
        string replacementLinkTag = string.Empty;
        string replacementHref = string.Empty;

        instructions = Spaces.Replace(instructions, " ");

        MatchCollection matches = linkTag.Matches(instructions);

        foreach (Match link in matches)
        {
            Match alphaDirMatch = alphaDir.Match(link.Value.ToString());
            if (alphaDirMatch.Success)
            {
                Match hrefAttrMatch = hrefAttr.Match(link.Value.ToString());
                if (hrefAttrMatch.Success)
                {
                    signName = linkTagHtml.Replace(link.Value.ToString(), string.Empty).ToLower().Trim();
                    signName = signName.Replace(" ", "_");
                    alphaChar = signName[0];

                    replacementHref = "href=\"/pages/displayc.aspx?c=dictionary&alpha=" + alphaChar.ToString() +"&sign=" + signName + "\"";
                    replacementLinkTag = hrefAttr.Replace(link.Value.ToString(), replacementHref);

                    instructions = instructions.Remove(link.Index, link.Length);
                    instructions = instructions.Insert(link.Index, replacementLinkTag);
                }
            }
        }            

        return instructions;
    }

当前输出字符串

Hold 1st <strong><a href="/pages/displayc.aspx?c=dictionary&alpha=f&sign=fist">FIST</a></strong> hand, back outward &amp; finge<a href="/pages/displayc.aspx?c=dictionary&alpha=f&sign=fist">FIST</a>f="../f/fist_hand.html">FIST</a></strong> hand, back forward &amp; fingers inward, with lower knuckle of its 4th finger on lower knuckle of 1st thumb; then slide 2nd hand forwards one hand's length.

所需输出字符串

Hold 1st <strong><a href="/pages/displayc.aspx?c=dictionary&alpha=f&sign=fist">FIST</a></strong> hand, back outward &amp; fingers forward, and put 2nd <strong><a href="/pages/displayc.aspx?c=dictionary&alpha=f&sign=fist">FIST</a></strong> hand, back forward &amp; fingers inward, with lower knuckle of its 4th finger on lower knuckle of 1st thumb; then slide 2nd hand forwards one hand's length.

解决方案 - 感谢 Oded 的建议！

我使用 HtmlAgilityPack 将指令字符串加载为 html，并找到将这些指令字符串存储在 HtmlNodeCollection 中的链接标记，循环遍历每个标记并获取 href 值，然后进行编辑。

对于那些感兴趣的人来说，代码最终看起来像这样：

static string instructions(string instructions)
    {
        char alphaChar;
        Regex Spaces = new Regex(@"\s+|\n|\r");
        Regex alphaDir = new Regex(@"/([a-z])?/");
        string signName = string.Empty;
        string replacementHref = string.Empty;

        instructions = Spaces.Replace(instructions, " ");

        HtmlDocument instr = new HtmlDocument();
        instr.LoadHtml(instructions);

        HtmlNodeCollection links = instr.DocumentNode.SelectNodes("//a");

        if (links != null)
        {
            foreach (HtmlNode link in links)
            {
                string href = link.GetAttributeValue("href", string.Empty);

                if (!string.IsNullOrWhiteSpace(href))
                {
                    Match alphaDirMatch = alphaDir.Match(href);

                    if (alphaDirMatch.Success)
                    {
                        signName = Regex.Replace(href, "(.)*?/([a-z])?/|(.html)?", string.Empty);
                        signName = signName.Replace(" ", "_");
                        alphaChar = signName[0];

                        replacementHref = "/pages/displayc.aspx?c=dictionary&alpha=" + alphaChar.ToString() + "&sign=" + signName;
                        link.SetAttributeValue("href", replacementHref);
                    }
                }
            }
        }

        instructions = instr.DocumentNode.InnerHtml.ToString();

        return instructions;
    }

Answer 1

我建议尝试使用 HTML Agility Pack 来解析和查询您的 HTML 文档。

使用 RegEx 可能相当脆弱，如果文档不是很统一，则可能是一种行不通的方法 - 请参阅这个答案。

Answer 2

除了@Oded 的答案之外，您还可以通过简单的 XSL 转换来完成此操作。正则表达式 IMO 不是这里的方法。