网页内容提取常用正则表达式

最新推荐文章于 2025-04-26 09:45:00 发布

原创最新推荐文章于 2025-04-26 09:45:00 发布 · 1.7k 阅读

0 ·

CC 4.0 BY-SA版权

文章标签：

#html #string #正则表达式 #function #文档 #ie

本文介绍了如何使用正则表达式从网页中提取链接地址、标题等元素，并提供了去除HTML标记的方法。通过具体示例展示了匹配字符串的技术细节。

1，得到网页上的链接地址：
      string matchString = @"<a[^>]+href=/s*(?:'(?<href>[^']+)'|""(?<href>[^""]+)""|(?<href>[^>/s]+))/s*[^>]*>";
2，得到网页的标题：
      string matchString = @"<title>(?<title>.*)</title>";
3，去掉网页中的所有的html标记：
      string temp = Regex.Replace(html, "<[^>]*>", "");   //html是一个要去除html标记的文档
4, string matchString = @"<title>([/S/s/t]*?)</title>";
5,js去掉所有html标记的函数：
      function delHtmlTag(str)
     {
        return str.replace(/</ .+?>/g,"");//去掉所有的html标记
     }
   这个可能IE5会错，那用这个，梅花的：
    function delHtmlTag(str)
{
   return str.replace(/<[^>]+>/g,"");//去掉所有的html标记
}