C# 使用正则表达式从HTML字符串解析HREF

我需要用html解析一个zip文件的链接。此zipfile的名称每月都会更改。下面是我需要解析的HTML片段：

---

我需要的字符串是“http://nppes.viva-it.com/NPPES_Data_Dissemination_Mar_2012.zip“因此，我可以使用WebClient下载该文件。zip文件URL中每月保持不变的唯一部分是“http://nppes.viva-it.com/". 是否有一种方法可以使用正则表达式来解析完整的URL，“http://nppes.viva-it.com/NPPES_Data_Dissemination_Mar_2012.zip“，超出HTML？

如果页面上只链接到一个ZIP，则无问题：

Regex re = new Regex(@"http://nppes\.viva-it\.com/.+\.zip");

re.Match(html).Value // To get the matched URL

---

这是一个原始正则表达式-使用分支重置。
答案在捕获缓冲区2中

<a 
  (?=\s) 
  (?= (?:[^>"']|"[^"]*"|'[^']*')*? (?<=\s)
    href \s*=
    (?|
        (?> \s* (['"]) \s* (http://nppes\.viva-it\.com/ (?:(?!\g{-2}) .)+ \.zip ) \s*     \g{-2} )
      | (?> (?!\s*['"]) \s* () (http://nppes\.viva-it\.com/ [^\s>]* \.zip ) (?=\s|>) )
    )
  )
  \s+ (?:".*?"|'.*?'|[^>]*?)+ 
>

“']|“[^”]*“[^']*”）*？（？\s*（['”]）\s*(http://nppes\.viva it\.com/（？：（？！\g{-2}）。+\.zip）\s*\g{-2}）
|（？>（？！\s*['”]）\s*（）(http://nppes\.viva it\.com/[^\s>]*\.zip）（？=\s}>）
)
)
\s+（？：“*？”|“.*？”|[^>]*？）+
>

不确定C#是否可以执行分支重置。如果不能，则此变体有效。
答案始终是捕获缓冲区2与捕获缓冲区3的匹配结果

<a 
  (?=\s) 
  (?= (?:[^>"']|"[^"]*"|'[^']*')*? (?<=\s)
    href \s*=
    (?:
        (?> \s* (['"]) \s* (http://nppes\.viva-it\.com/ (?:(?!\g{-2}) .)+ \.zip ) \s* \g{-2} )
      | (?> (?!\s*['"]) \s* (http://nppes\.viva-it\.com/ [^\s>]* \.zip ) (?=\s|>) )
    )
  )
  \s+ (?:".*?"|'.*?'|[^>]*?)+ 
>

“']|“[^”]*“[^']*”）*？（？\s*（['”]）\s*(http://nppes\.viva it\.com/（？：（？！\g{-2}）。+\.zip）\s*\g{-2}）
|（？>（？！\s*['”]）\s*(http://nppes\.viva it\.com/[^\s>]*\.zip）（？=\s}>）
)
)
\s+（？：“*？”|“.*？”|[^>]*？）+
>

通过使用：

var html=”“；
var doc=新的HtmlDocument（）；
doc.LoadHtml（html）；
var anchor=doc.DocumentNode.SelectSingleNode（“//a”）；
var href=anchor.GetAttributeValue（“href”，null）；

现在

href

变量保持

”http://nppes.viva-it.com/NPPES_Data_Dissemination_Mar_2012.zip“

value

---

它不是比正则表达式更简单吗？

在一般情况下，使用正则表达式解析HTML是行不通的。无论您构建的模式多么狭窄，一个完全合法的HTML文件都可以击败它。使用真正的parserSee：

var html = "<a href=\"http://nppes.viva-it.com/NPPES_Data_Dissemination_Mar_2012.zip\">";
var doc = new HtmlDocument();
doc.LoadHtml(html);
var anchor = doc.DocumentNode.SelectSingleNode("//a");
var href = anchor.GetAttributeValue("href", null);