求一则正则表达式
0
悬赏园豆：100
[已解决问题]
解决于 2009-09-22 16:35
想写个采集器。 在获取页面URL的时候，正则式总是不中用。
回过头去再看了一边相关资料，还是不得要领（大小脑欠发达，悲剧啊）
这里想高手请教一则表达式。
只要能够获得页面中的URL就行了。 可排除mailto|location.|javascript|.*css
Code
传说中我写的就是上面这造型，得到的就是
href="/Article/zsinzi/Index.html"
... 这类造型。。
请高手帮忙修整一下下。谢谢。
疑问：传说中?: 不是不捕获匹配的文本吗？结果中的herf=咋跑来了？？
最佳答案
0
试试这个
(http|ftp|https):\/\/[\w\-_]+(\.[\w\-_]+)+([\w\-\.,@?^=%&:/~\+#]*[\w\-\@?^=%&/~\+#])?
这里搜索更多的：
http://regexlib.com/Search.aspx?k=url&c=2&m=5&ps=20
楼主的修改下应该也可以的：
(?<=href\s*=)(?:[ \s""']*)(?!#|mailto|location.|javascript|.*css|.*this\.)[^""']*(?:[ \s>""'])
至于得到的引号，你替换一下即可。
收获园豆：100
呵呵，你这个得到的结果格式倒还真是我想要的。
不过结果不对，您这个把页面上的外链全给找出来了，内链一个没有。 - -~
不过也感激一下。谢谢
@小喜子:修改后的结果你测试下
@邀月:嗯，差不多了。呵呵。谢谢邀月费心了。还有点小问题，我想我能够搞定了。
(?<=href\s*=[ \s""']*)(?!#|mailto|location.|javascript|.*css|.*this\.)[^""']*(?=[ \s>""'])
我继续修改了一下，前后的引号没了。呵呵，刚好得到所要的效果。。不过(?<=href\s*=[ \s""']*)这里好象有点问题。琢磨中.......
其他回答(2)
0
我不知道
你真是我亲哥哥。。。
0
string strregex = @"[a-zA-z]+://[^\s]*";
Regex r = new Regex(strregex, RegexOptions.IgnoreCase);
MatchCollection m = r.Matches(htmlcode);
用上面的先捉一次,下用下面的捉一次,用hashtable裝起來,去掉重複的
Regex re = new Regex(@"href=(?<web_url>[\s\S]*?)>|href=""(?<web_url>[\s\S]*?)""|href='(?<web_url>[\s\S]*?)'");