Question

我正在尝试构建一个正则表达式来提取HTML标记内的文本，如下所示。但是我在正则表达式方面的技能有限，而且我在构建字符串时遇到了麻烦。

如何从此标记中提取文本：

<a href="javascript:ProcessQuery('report_drilldown',145817)">text</a>

这只是页面HTML源代码的示例。基本上，我需要一个regex字符串来匹配<a>标记内的“文本”。任何人都可以帮我这个吗？谢谢。我希望我的问题不是太可怕了。

更新：为了澄清，report_drilldown是绝对的，但我并不在乎regex中是否存在绝对值。

145817是一个随机的6位数字，实际上是数据库ID。 “text”只是简单的纯文本，所以它不应该是无效的HTML。此外，大多数人都说在这种情况下最好不要使用正则表达式，那么最好使用什么？非常感谢！

Answer 1

答案是......不要！

使用库，例如this one

Answer 2

<a href="javascript:ProcessQuery\('report_drilldown',[0-9]+\)">([^<]*)</a>

这不会真正解决问题，但它可能只是勉强可以解决。特别是，它非常脆弱，对标记的最轻微改变并不匹配。如果report_drilldown不是绝对的，请将其替换为[^']*，和/或在需要时捕获它和数字。

如果你需要解析HTML的东西，那么如果你不得不处理标签汤，这将是一场噩梦。如果您使用的是Python，我建议使用BeautifulSoup，但我不知道C＃的类似内容。（任何人都知道C＃的类似标签汤解析库吗？）

Answer 3

我同意正则表达式可能不是解析它的最好方法，但使用反向引用很容易做到：

<(?<tag>\w*)(?:.*)>(?<text>.*)</\k<tag>>

其中标记和文本被命名为捕获组。

hat-tip：expresso library

Answer 4

<a href\=\"[^\x00]*?\">

应该为您提供开始标记。

<\/a>

将为您提供结束标记。只需提取出介于两者之间的内容。虽然未经测试。