正则表达式忽略HTML注释

Question

我需要使用c ++和regex过滤来自html页面的链接和图像，我想出了这句话：

<\s*(a.*?href|img.*?src)\s*=\s*\"(.*?)\".*?\s*> 

不幸的是，这也会在评论中找到它不应该的链接和图像。我尝试了一些消极的预测而没有成功。

Answer 1

没有理由一次完成所有事情。另外，你没有说出什么环境/编辑/编程语言，所以我选择了我最喜欢的C＃。

1. 删除所有评论：
使用

var s1 = source.Replace("<!--.*?-->", "");

1. 使用现有的正则表达式提取链接：
使用

var s2 = Regex.Matches(s1, "<\\s*(a.*?href|img.*?src)\\s*=\\s*\"(.*?)\".*?\\s*> ");