RegEx解析URL从文本(文本包含HTML标签)

本文关键字：文本 HTML 标签 包含 URL RegEx 解析 | 更新日期: 2023-09-27 18:06:54

我想从给定的文本中解析url，

输入文本:- 

 <h3 class="r"> <a
 href="/url?q=http://rakesh.agrawal-family.com/papers/vldbj03watermark.pdf&amp;sa=U&amp;ei=m2laUfD2AdDorQf0rYHoDw&amp;ved=0CBoQFjAA&amp;usg=AFQjCNFJOQCS471sWjxy5CkNbzDxzcD66A">
 <h3 class="r"> <a
 href="/url?q=http://www.cse.ust.hk/vldb2002/VLDB2002-proceedings/papers/S05P03.pdf&amp;sa=U&amp;ei=m2laUfD2AdDorQf0rYHoDw&amp;ved=0CCIQFjAD&amp;usg=AFQjCNHbfCk_51dKLupvs3KVVEDboK54xg">
 <h3 class="r"> <a
 href="/url?q=http://cvml.unige.ch/publications/postscript/99/VoloshynovskiyPereiraPun_eww99.pdf&amp;sa=U&amp;ei=m2laUfD2AdDorQf0rYHoDw&amp;ved=0CCYQFjAE&amp;usg=AFQjCNGt54TSNY93PXgd4u4L3-E6C6P2jw">
预期输出:

http://rakesh.agrawal-family.com/papers/vldbj03watermark.pdf

http://www.cse.ust.hk/vldb2002/VLDB2002-proceedings/papers/S05P03.pdf

http://cvml.unige.ch/publications/postscript/99/VoloshynovskiyPereiraPun_eww99.pdf

示例代码:- 

Match match = Regex.Match(input, @"<h3 class=""r""> <a href=""/url'?q=(.*?)&amp;", RegexOptions.IgnoreCase);         
while (match.Success)            
{                
// Finally, we get the Group value and display it.                
string key = match.Groups[1].Value;                
Console.WriteLine(key);                
match = match.NextMatch();

RegEx解析URL从文本(文本包含HTML标签)

注意，不建议混合使用HTML和正则表达式。

但是如果你正在寻找一个快速的hack，你可以使用这个regex:

url'?q='*'*[''"]?([^''" >]+)'*'*

点击这里查看链接:http://rubular.com/r/v0jqtAXMF9

regex构建dfa，因此非常昂贵，如果需要从已知模式中提取数据，可以使用

url=line[i].substring(line[i].indexOf("q=")+1, line[i].indexOf(">'""));

基本上使用索引的线性搜索而不是复杂的dfa

相关文章：