C# 自学习正则表达式还是xpath查询？

是否可以编写生成正则表达式或XPath的代码来解析基于某个HTML文档的链接

我想要的是解析页面中的一些链接。我只知道页面上的大多数链接都是这些链接

举个简单的例子，比如谷歌搜索引擎的结果页面。大多数链接来自搜索结果，看起来像这样：

<h3 class="r"><a onmousedown="return rwt(this,'','','res','1','AFQjCNERidL9Hb6OvGW93_Y6MRj3aTdMVA','')" class="l" href="http://stackoverflow.com/"><em>Stack Overflow</em></a></h3>

(?<=<a[^<]+href=")[^"]+(?=")

是否有可能编写代码来学习并识别这一点，并能够解析所有链接，即使谷歌改变了它们的表示方式

我正在考虑解析所有链接，并在每个标记之前和之后查找X字符，然后从中开始工作

---

我知道这也可以通过XPath实现，但问题仍然是一样的。我可以解析此内容并生成有效的XPath来查找serp链接吗？

如果我理解您的问题，就不需要编写学习算法了。正则表达式的功能强大，足以解决这个问题。您可以使用以下正则表达式获取HTML页面中的所有链接：

(?<=href=")[^"]+(?=")

在中验证，此正则表达式使用正向向后看和正向向前看来获取href=内部的url

如果您想更进一步，您还可以查找锚定标记，以确保您获得的是实际的锚定链接，而不是对css文件或其他内容的引用。您可以这样做：

<h3 class="r"><a onmousedown="return rwt(this,'','','res','1','AFQjCNERidL9Hb6OvGW93_Y6MRj3aTdMVA','')" class="l" href="http://stackoverflow.com/"><em>Stack Overflow</em></a></h3>

(?<=<a[^<]+href=")[^"]+(?=")

只要页面遵循链接的href=约定，就可以正常工作。如果他们使用onclick事件，那么在处理Javascript的不可预测性时，一切都会变得更加复杂。甚至谷歌也不会抓取Javascript链接

---

这有帮助吗？

据我所知，大多数机器学习算法在有许多例子概括“智能”行为时效果最好。在本例中，示例并不多。谷歌不太可能经常改变他们的格式。即使我们经常感觉到，对于机器学习算法来说，这可能还不够

---

监视当前格式可能更容易，如果格式发生更改，请更改代码。如果将预期格式设置为可配置的正则表达式，则可以重新部署新格式，而无需重建项目的其余部分。

uh。。。链接不总是href=something吗？是的，这就是我目前使用的方法，我会坚持下去。谢谢