c# - 正则表达式有问题

Question

我对正则表达式一窍不通，需要解析一些 html。我正在寻找个别类别。以下是 html 的样子:

<p>Categories: 
        <a href="/some/URL/That/I/dont/need">Category1</a>  | 
        <a href="/could/be/another/URL/That/I/dont/need">Category2</a> 
</p> 

可能有 1-5 个类别。我需要的是“Category1 或 Category2 等”

这个项目是在 c# 中使用 Visual Studio 2010。目前我拥有的是:

private static readonly Regex _categoriesRegex = new Regex("(<p>Categories:)((/w/.?<Categories>.*?).*?)(</p>)", RegexOptions.Compiled | RegexOptions.IgnoreCase | RegexOptions.Singleline);

我知道我可能离题太远了，但想知道是否有人至少可以引导我朝着正确的方向前进。

Answer 1

不要将正则表达式用于此类任务，而应使用专用工具。您最好的选择可能是使用 HTML Agility Pack .

---

编辑:这是一个使用 HTML Agility Pack 的示例(用 LINQPad 编写):

void Main()
{
    var doc = new HtmlDocument();
    doc.Load(@"D:\tmp\foobar.html");
    var query =
        from p in doc.DocumentNode.Descendants("p")
        where p.InnerText.StartsWith("Categories:")
        from a in p.Elements("a")
        select a.InnerText;

    query.Dump();
}

它返回:

Category1
Category2

我应该指出，这是我第一次真正尝试使用 HAP，我对它的简单性感到惊喜(编写上面的代码大约需要 3 分钟)。该 API 与 Linq to XML 非常相似，如果您熟悉 Linq，它会非常直观。