利用Regex查詢Html/Xml標籤中的屬性值

最新推荐文章于 2025-04-11 11:25:06 发布

shaily

最新推荐文章于 2025-04-11 11:25:06 发布

阅读量1.4k

点赞数

分类专栏：正则表达式 .NET 文章标签： regex string encoding xml html url

.NET 同时被 2 个专栏收录

301 篇文章

订阅专栏

正则表达式

3 篇文章

订阅专栏

作用：取得HTML或XML內容中，某個標籤下所指定的屬性值。
輸入參數：

strHtml(string)：HTML或XML的內容。
strTagName(string)：標籤名。
strAttributeName(string)：屬性名。

函式的程式碼：(寫成static以方便使用)

 
    01public static string[] GetAttribute(string strHtml, string strTagName, string strAttributeName) 
 
    02{ 
 
    03    List<string> lstAttribute = new List<string>(); 
 
    04    string strPattern = string.Format("<//s*{0}//s+.*?(({1}//s*=//s*/"(?<attr>[^/"]+)/")|({1}//s*=//s*'(?<attr>[^']+)')|({1}//s*=//s*(?<attr>[^//s]+)//s*))[^>]*>"
 
    05        , strTagName 
 
    06        , strAttributeName); 
 
    07    MatchCollection matchs = Regex.Matches(strHtml, strPattern, RegexOptions.IgnoreCase); 
 
    08    foreach (Match m in matchs) 
 
    09    { 
 
    10        lstAttribute.Add(m.Groups["attr"].Value); 
 
    11    } 
 
    12    return lstAttribute.ToArray(); 
 
    13}

使用方式：(抓取某個網頁下的所有<img>的src屬性)

 
    01//要抓取的網頁 
 
    02string Url = "http://www.gov.tw/"; 
 
    03HttpWebRequest webReq = (HttpWebRequest)WebRequest.Create(Url); 
 
    04using (HttpWebResponse webResp = (HttpWebResponse)webReq.GetResponse()) 
 
    05{ 
 
    06    //判斷是否有指定編碼(預設用codepage=950) 
 
    07    Encoding encPage = webResp.ContentType.IndexOf("utf-8", StringComparison.OrdinalIgnoreCase) > 0 ? Encoding.UTF8 : Encoding.GetEncoding(950); 
 
    08    using (StreamReader reader = new StreamReader(webResp.GetResponseStream(), encPage)) 
 
    09    { 
 
    10        string strContent = reader.ReadToEnd(); 
 
    11        //列出所有<img>裡的src屬性值 
 
    12        string[] aryValue = GetAttribute(strContent, "img", "src"); 
 
    13        for (int i = 0; i < aryValue.Length; i++) 
 
    14        { 
 
    15            Console.WriteLine(aryValue[i]); 
 
    16        } 
 
    17    } 
 
    18}

註：

XML可以透過XPath去找，透過DOM的方式比較有OO的感覺。
這樣的資料抓取沒避掉附註掉的標籤(<!— xxxxx -->)。
如果是抓src或href的話，該屬性值最好再轉換過一次，將相對路徑換成絕對路徑。
目前這樣的Regex適用於以下幾種情況：
1. 用雙引號框住的屬性值：src="12345678"
2. 用單引號框住的屬性值：src='12345678'
3. 沒用雙引號或單引號框住的屬性值：src=12345678