Регулярное выражение для анализа ссылок с веб-страницы?

Я ищу регулярное выражение .NET, извлекающее все URL-адреса с веб-страницы, но не нашел ни одного, достаточно исчерпывающего, чтобы охватить все различные способы указания ссылки.

И побочный вопрос:

Есть ли одно регулярное выражение, чтобы управлять ими всеми ? Или мне лучше использовать ряд менее сложных регулярных выражений и просто использовать несколько проходов против необработанного HTML? (Скорость против ремонтопригодности)

Ответов (9)

Решение
((mailto\:|(news|(ht|f)tp(s?))\://){1}\S+)

Я взял это с regexlib.com

[примечание редактора: {1} не имеет реальной функции в этом регулярном выражении; см. этот пост ]

URL-адреса? Как в изображениях / скриптах / css / и т. Д.?

%href="(.["]*)"%

согласно http://tools.ietf.org/html/rfc3986

извлечение url-адреса из ЛЮБОГО текста (не только HTML)

(http\\://[:/?#\\[\\]@!%$&'()*+,;=a-zA-Z0-9._\\-~]+)

Это захватит URL-адреса из всех тегов, если автор HTML использовал кавычки:

<a[^>]+href="([^"]+)"[^>]*>

Я привел здесь пример .

Посмотрите на спецификацию URI. Это могло бы вам очень помочь. Что касается производительности, вы можете извлечь почти все HTTP-ссылки на скромной веб-странице. Когда я говорю «скромный», я определенно не имею в виду одну страницу, охватывающую все руководства в формате HTML, как, например, руководство по ELisp. Также производительность - это щекотливая тема. Я бы посоветовал измерить вашу производительность, а затем решить, собираетесь ли вы извлекать все ссылки, используя одно регулярное выражение или несколько более простых регулярных выражений.

http://gbiv.com/protocols/uri/rfc/rfc3986.html

Все HTTP и MAILTO

(["'])(mailto:|http:).*?\1

Все ссылки, в том числе относительные, которые вызываются с помощью href или src.

#Matches things in single or double quotes, but not the quotes themselves
(?<=(["']))((?<=href=['"])|(?<=src=['"])).*?(?=\1)

#Maches thing in either double or single quotes, including the quotes.
(["'])((?<=href=")|(?<=src=")).*?\1

Однако второй даст вам только ссылки, в которых используются двойные кавычки.

У меня нет времени думать о регулярном выражении, которое, вероятно, не сработает, но я хотел прокомментировать, что вам определенно следует разбить свое регулярное выражение, по крайней мере, если оно дойдет до этого уровня уродства :

(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
)+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:
\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(
?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ 
\t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0
....*SNIP*....
*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])
+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\
.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(
?:\r\n)?[ \t])*))*)?;\s*)

(это предположительно соответствует адресам электронной почты)

Изменить: я даже не могу разместить это на одном посте, это так противно ....

из библиотеки RegexBuddy:

URL: найти в полном тексте

Последний класс символов гарантирует, что если URL-адрес является частью некоторого текста, знаки препинания, такие как запятая или точка после URL-адреса, не интерпретируются как часть URL-адреса.

\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]

С Html Agility Pack вы можете использовать:

HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");
foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//[email protected]")
{
Response.Write(link["href"].Value);
}
doc.Save("file.htm");