正则expression式从网页parsing链接？
我正在寻找一个.NET正则expression式从网页中提取所有的url，但还没有find一个足够全面的覆盖所有不同的方式，你可以指定一个链接。
还有一个方面的问题：
是否有一个正则expression式来统治他们？ 或者，我最好使用一系列不太复杂的正则expression式，只使用原始HTML的多重传递？ （速度与可维护性）
（（的mailto：|（新闻|（HT | F）TP（S））：//）{1} \ S +？）
我从regexlib.com拿走了这个
[编者注：{1}在这个正则expression式中没有实际的function; 看这个post ]
来自RegexBuddy的图书馆：
url：全文查找
最后的字符类可以确保如果某个URL是某些文本的一部分，则URL之后的标点符号（如逗号或句号）不会被解释为URL的一部分。
\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]
使用Html Agility Pack ，您可以使用：
HtmlDocument doc = new HtmlDocument(); doc.Load("file.htm"); foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//a@href") { Response.Write(link["href"].Value; } doc.Save("file.htm");
看看URI规范。 这可以帮助你很多。 就性能而言，你几乎可以在一个适中的网页中提取所有的HTTP链接。 当我说谦虚的时候，我绝对不是指所有包含像ELISP手册那样的HTML手册的页面。 性能也是一个敏感的话题。 我的build议是衡量你的performance，然后决定是否要使用一个正则expression式或多个简单的正则expression式来提取所有的链接。
所有的HTTP和MAILTO的
(["'])(mailto:|http:).*?\1
所有的链接，包括相关的，由href或src调用。
#Matches things in single or double quotes, but not the quotes themselves (?<=(["']))((?<=href=['"])|(?<=src=['"])).*?(?=\1) #Maches thing in either double or single quotes, including the quotes. (["'])((?<=href=")|(?<=src=")).*?\1
第二个只会让你的链接，使用双引号，但是。
我没有时间去思考一个可能不起作用的正则expression式，但是我想评论一下，你应该把你的正则expression式分解出来，至less如果它达到了这个丑陋的级别 ：
(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t] )+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?: \r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:( ?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0 ....*SNIP*.... *))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]) +|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\ .(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z |(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:( ?:\r\n)?[ \t])*))*)?;\s*)
（这应该与电子邮件地址匹配）
编辑：我甚至不能适应它的一个post是如此讨厌….
只要HTML的作者使用了引号，就可以捕获所有标签中的URL：
<a[^>]+href="([^"]+)"[^>]*>
我在这里做了一个例子。
URL的？ 如在图像/脚本/ CSS /等？
%href="(.["]*)"%
根据http://tools.ietf.org/html/rfc3986
从任何文本中提取url（不仅仅是HTML）
(http\\://[:/?#\\[\\]@!%$&'()*+,;=a-zA-Z0-9._\\-~]+)
