用C#和正则表达式截取html代码

【IT168技术文档】如何使用C#和正则表达式截取html代码呢，如何处理html代码中的\r\n这样的字符呢，下面我们来一起研究一下，先从截取目标开始。

一、代码说明

　1.以下html表示收到的3个组的信息，如果含有"unread.gif"表示未读消息，否则表示已读信息。

　2.截取未读消息和已读消息的条数和theUrl

　3.要将未读信息和已读信息分开放入两个组里。

　<div class="dxx_of" id="message1" οnmοuseοver="msgOnmouseover(1)" οnmοuseοut="msgOnmouseout(1)" />

　<div class="dxx1" style="padding:15px 10px;"><img src="http://www.microsoft.com/i2/unread.gif" width="14" height="10" title="" /></div>

　<div class="dxx2">

　<table class="aa" border="0" cellpadding="0" cellspacing="0" >

　<colgroup>

　<col width="463" />

　</colgroup>

　<tbody>

　<tr basestyle="oRowLine2">

　<td valign="top" οnclick="javascript:document.location='thUrl';" >

　wa

　<div><span class='c9'>共6条会话</span><a href="thUrl" class="sl">+展开</a></span></div>

　<span class="c9"></span>

　</td>

　</tr>

　</tbody>

　</table>

　</div>

　<div class="c"></div>

　</div>

　<div class="dxx_of" id="message2" οnmοuseοver="msgOnmouseover(2)" οnmοuseοut="msgOnmouseout(2)" />

　<div class="dxx1" style="padding:15px 10px;"></div>

　<div class="dxx2">

　<table class="aa" border="0" cellpadding="0" cellspacing="0" >

　<colgroup>

　<col width="463" />

　</colgroup>

　<tbody>

　<tr basestyle="oRowLine2">

　<td valign="top" οnclick="javascript:document.location='thUrl';" >

　wa

　<div><span class='c9'>共3条会话</span><a href="thUrl1" class="sl">+展开</a></span></div>

　<span class="c9"></span>

　</td>

　</tr>

　</tbody>

　</table>

　</div>

　<div class="c"></div>

　</div>

　<div class="dxx_of" id="message3" οnmοuseοver="msgOnmouseover(3)" οnmοuseοut="msgOnmouseout(3)" />

　<div class="dxx1" style="padding:15px 10px;"></div>

　<div class="dxx2">

　同上很多html内容

　</div>

　<div class="c"></div>

　</div>

二、官方样例

　用C#和正则表达式如何对上例的代码进行截取呢，我们来看看微软官方发布的样例。

　示例

　System.Text.RegularExpressions.RegexOptions 。

　C#

　class TestRegularExpressions

　{

　static void Main()

　{

　string[] sentences =

　{

　"cow over the moon",

　"Betsy the Cow",

　"cowering in the corner",

　"no match here"

　};

　string sPattern = "cow";

　foreach (string s in sentences)

　{

　System.Console.Write("{0,24}", s);

　if (System.Text.RegularExpressions.Regex.IsMatch(s, sPattern, System.Text.RegularExpressions.RegexOptions.IgnoreCase))

　{

　System.Console.WriteLine(" (match for '{0}' found)", sPattern);

　}

　else

　{

　System.Console.WriteLine();

　}

　}

　// Keep the console window open in debug mode.

　System.Console.WriteLine("Press any key to exit.");

　System.Console.ReadKey();

　}

　}

　/* Output:

　cow over the moon (match for 'cow' found)

　Betsy the Cow (match for 'cow' found)

　cowering in the corner (match for 'cow' found)

　no match here

　*/

　以上代码是一个控制台应用程序，用于对数组中的字符串执行简单的不区分大小写的搜索。给定要搜索的字符串和包含搜索模式的字符串后，静态方法 Regex.IsMatch 将执行搜索。使用第三个参数指示忽略大小写。

　实际可以使用以下代码来匹配。

Regex regex = new Regex("<div class=\"dxx_of\" id=\".+/>.+(?<htmlCode>.+).+<div class=\"c\"></div>");

　MatchCollection matchs = regex.Matches(resultHtml);

　if(maths.Count>0)

　strig html = matchs[0].Groups["htmlCode"].Value;

　　但是正则的"."只能匹配不含\n的任何字符，可是HTML代码中有很多\r\n。

三、如何处理特殊字符

　如果不重要可以用string Replace方法将 \r\n替换掉，下面这个方法可以有效的将其分为3个组。

　C#

　class TestRegularExpressionValidation

　{

　static void Main()

　{

　string[] numbers =

　{

　"123-456-7890",

　"444-234-22450",

　"690-203-6578",

　"146-893-232",

　"146-839-2322",

　"4007-295-1111",

　"407-295-1111",

　"407-2-5555",

　};

　string sPattern = "^\d{3}-\d{3}-\d{4}$";

　foreach (string s in numbers)

　{

　System.Console.Write("{0,14}", s);

　if (System.Text.RegularExpressions.Regex.IsMatch(s, sPattern))

　{

　System.Console.WriteLine(" - valid");

　}

　else

　{

　System.Console.WriteLine(" - invalid");

　}

　}

　// Keep the console window open in debug mode.

　System.Console.WriteLine("Press any key to exit.");

　System.Console.ReadKey();

　}

　}

　/* Output:

　123-456-7890 - valid

　444-234-22450 - invalid

　690-203-6578 - valid

　146-893-232 - invalid

　146-839-2322 - valid

　4007-295-1111 - invalid

　407-295-1111 - valid

　407-2-5555 - invalid

　*/

　以上代码是一个控制台应用程序，此程序使用正则表达式验证数组中每个字符串的格式。验证要求每个字符串具有电话号码的形式，即用短划线将数字分成三组，前两组各包含三个数字，第三组包含四个数字。这是使用正则表达式 ^\d{3}-\d{3}-\d{4}$ 完成的。