1. 普通的 <a> 元素;希望得到其中的 TEXT 以及 URL 信息;
注意: 下面寫法不正確:
<a .*?href=(?<quot>["']?)(?<url>.+?/k<quot>.*>(?<text>.+?)</a>
對於以下這種情形:
<a href=/website/index.htm >…</a>
也就是說沒有引號的情形:不能試圖通過匹配 “空”, 來對其進行反向引用;因爲“空”實際上可以在任何位置達到匹配;例如,對於上述情形,它實際上在 第一個“/”後面就取得了匹配;然後 URL 會返回“/”;
所以對這種連接形式,要對HREF的“末尾標籤”的位置信息加上約束;(末尾標籤分爲3種:” , ‘ , 空 )。也就是說HREF的末尾,要麼直接爲TAG右標籤“>”,要麼必定爲一個空格,其後再跟 .*> 形式;這樣一來,正則表達式匹配的時候,即便碰到“空標籤”它也得保證右邊跟一個“>”或跟一個“ ”(空格),才形成匹配;
所以正確的改進形式應該爲:
<a .*?href=(?<quot>["']?)(?<value>.+?)/k<quot>(>| .*?>)(?<text>.+?)</a>
注意紅色的部分:表明對HREF的結尾處做約束。
注意!爲了正確匹配,不要用 .* 作爲非限制字符的表達方式!要用 [^>] 也就是禁止右標籤!
最終應該改進爲:
<a [^>]*?href=(?<quot>["']?)(?<value>[^>]+?)/k<quot>(>| [^>]*?>)(?<text>.+?)</a>
2. 對於有特定限制的 <a> 元素:例如:取得“數字”連接:
原來是採取如下形式
<a .*?href=(?<quot>[""']?)(?<value>[^"']+?)/k<quot>[^>]*?>/d</a>
這種形式不但戎餘,而且碰到HREF的首尾空標籤後,也會發生第一種情形引發的錯誤。
現在,首先我們改進成兼容第一種模式的表達式:
<a .*?href=(?<quot>["']?)(?<value>.+?)/k<quot>(>| .*?>)/d+</a>
改成這種形式後:
例如:有文本:
<div class="fenye">
<div class="Picpagein"><div class="Pagediv">
<span>
<a href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632.htm" mce_href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632.htm"><b>1</b></a>
<a href=”/woman/nvbj/qcqbj/2008061616632_2.htm”>2</a>
</span>
<div class="pagein">
<a href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632_2.htm" mce_href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632_2.htm">下一頁>></a>
</div></div></div></div>
採用改進後的初始REGEX , 則匹配 URL (也就是HERF中的內容)結果會爲:
/woman/nvbj/qcqbj/2008061616632.htm"><b>1</b></a>
<a href=”/woman/nvbj/qcqbj/2008061616632_2.htm
也就是說:它會從“2”之前的第一個 “””作爲“尾標籤,把其中內容全部包括進去;
其實解決方法也很簡單:只要禁止HREF的內容部分中出現任何一個TAG開始標記“<”就可以了,所以改進後爲:
<a [^>]*?href=(?<quot>["']?)(?<value>[^>]+?)/k<quot>(>| [^>]*?>)/d+</a>