c# - 轻型 HTML 部分匹配优化

Question

我从 API 接收到一些文本，其中包含一些 HTML，即 <span> s 和 <a>秒。我将使用这些部分来填写 FormattedText Xamarin.Forms 的属性 Label .

我有以下代码可以正常工作，但看起来效率很低，每个循环有一个外部正则表达式和三个以上。

我想知道是否有一些更高级的正则表达式可以用来更好地分块，以获取 class和 href我需要的属性。

鉴于此输入:

one<span class=\"a-class\">two</span>three<a href=\"#a-link\">four</a>five

正确产生:

one -> 
two -> a-class
three -> 
four -> #a-link
five ->

代码:

using System;
using System.Collections.Generic;
using System.Text.RegularExpressions;

public class Program
{
    public class StringPart
    {
        public string Text { get; set; }
        public string Class { get; set; }
        public string Link { get; set; }

        public bool IsClass => !string.IsNullOrEmpty(Class);
        public bool IsLink => !string.IsNullOrEmpty(Link);

        public string Info
            => IsClass ? Class : IsLink ? Link : string.Empty;
    }

    public static void Main()
    {
        var text = "one<span class=\"a-class\">two</span>three<a href=\"#a-link\">four</a>five";

        var parts = new List<StringPart>();

        var idx = 0;

        // Matches '<span class=\"a-class\">two</span>'
        // &       '<a href=\"#a-link\">four</a>'
        foreach (Match match in new Regex($"<(.*?)>(.*?)</(.*?)>").Matches(text))
        {
            // preceeds match
            parts.Add(new StringPart { Text = text.Substring(idx, match.Index - idx) });

            // a match, has either span or a props
            // 3 more regex, though
            parts.Add(new StringPart
            {
                Text = Regex.Replace(match.Value, "<.*?>", string.Empty),
                Link = Regex.Match(match.Value, "(?<=href=\\\")[\\S]+(?=\\\")").Value,
                Class = Regex.Match(match.Value, "(?<=class=\\\")[\\S]+(?=\\\")").Value
            });

            // move idx for next preceeding part
            idx = match.Index + match.Length;
        }

        // remaining after last match
        parts.Add(new StringPart { Text = text.Substring(idx) });

        // dump
        foreach (var p in parts)
            Console.WriteLine($"{p.Text} -> {p.Info}");        
    }
}

Answer 1

以下代码将使用单个正则表达式生成所需的输出，尽管正则表达式有点复杂:

    public static void Main()
    {
        var testString = "one<span class=\"a-class\">two</span>three<a href=\"#a-link\">four</a>five";

        var matches = new Regex(@"^(?<Text>.+?)<|span class=""(?<Class>.*?)"">(?<Text>.+?)<\/span|a href=""(?<Link>.*?)"">(?<Text>.+?)<\/a|>(?<Text>.+?)<|>(?<Text>.+?)$").Matches(testString);

        var parts = from m in matches.Cast<Match>()
                    select new StringPart
                    {
                        Text = m.Groups["Text"].Value,
                        Class = m.Groups["Class"].Value,
                        Link = m.Groups["Link"].Value
                    };

        // dump
        foreach (var p in parts)
            Console.WriteLine($"{p.Text} -> {p.Info}");
    }

让我们分解正则表达式。这是没有转义引号的完整正则表达式(当我从我的正则表达式测试器复制到逐字的 C# 字符串时，我不得不转义双引号):

^(?<Text>.*?)<|span class="(?<Class>.*?)">(?<Text>.*?)<\/span|a href="(?<Link>.*?)">(?<Text>.*?)<\/a|>(?<Text>.+?)<|>(?<Text>.+?)$

表达式由 | 分隔的五个部分组成.每个部分都包含一个或多个命名组，这些组捕获我们关心该部分的数据。

命名组具有以下格式:(?<Name>...)

这里有五个部分:

1. ^(?<Text>.+?)< : 匹配开始文本直到并包括第一个 <

2. span class="(?<Class>.*?)">(?<Text>.+?)<\/span : 匹配 <span>元素并捕获文本和类

3. a href="(?<Link>.*?)">(?<Text>.+?)<\/a : 匹配 <a>元素并捕获文本和链接

4. >(?<Text>.+?)< : 匹配文本 b/t 两个 HTML 元素，包括 >和 <

5. >(?<Text>.+?)$ : 匹配结束文本，包括最后一个 >

注意 1:如果您的字符串中没有 HTML 元素(例如，“one”)，这将返回零个匹配项。最好单独处理这种特殊情况。

注意 2:这假设原始字符串没有 \ s 在里面，那些只是为了转义示例 C# 代码中的双引号。如果字符串将有 \在其中，需要调整正则表达式以查找 \ s 在上面的第二和第三部分。

(这是我以前想出的测试器中的正则表达式:https://regex101.com/r/9C5dmy/2/ - 除了在复制到 C# 代码时转义双引号外，我还能够重命名所有“Text*”组名改为简单的“Text”——regex101.com 不允许重复的组名，但 C# 允许，并且将所有“Text*”组简单命名为“Text”使逻辑更简单。)

更新:从 (?<Text>.*?) 切换“文本”组至 (?<Text>.+?)确保一个或多个字符避免空字符串匹配。