C＃Regrexは、私はちょうどからのテキストが欲しいHTML文字列を持つHTMLテキスト

Question

を抽出しますHTMLの：

string html = "<span class="MyText" id="1">SomeText blah blah</span<br><span class="MyText" id="2">SomeText blah blah 1</span><br><span class="MyText" id="2">SomeText blah blah2</span>"; 

だから今は<span>タグとSTORの間にあるテキストを抽出したいですそれらをリストまたは配列または行に入れます。

注： 私だけ二つのタグブレークとスパンのタグを持つことになりますカスタムHTMLを解析しています。

Regexを使用してこれを行うにはどうすればよいですか？

Answer 1

RegexでHTMLを解析するのは面倒でエラーが発生します。かなり有名なStackOverflowポストRegEx match open tags except XHTML self-contained tagsを見てください。

私はそのためのライブラリを使用することをお勧めします。広く使われているのは、Nuget経由で利用できるhttp://html-agility-pack.netのHtml Agility Packです。

EDIT：あなただけの（異なるREGEX文でこの問題を解決できるかどうか私は知らない

var pageDoc = new HtmlDocument(); 
pageDoc.LoadHtml(pageContent); 
var pageText = pageDoc.DocumentNode.InnerText; 

Answer 2

：

あなたがこのようなものを使用することができますHTMLの内部テキストを取得するためには、正規表現についてあまり知らない）が、 "> <"が出現するたびに文字列を分割し、それらの部分文字列のそれぞれのテキストを抽出することができます。

http://regexr.com/は、別のステートメントの試行に役立つ場合があります。

編集： '</span>'の後に常に '< br>'はありますか？

Answer 3

非公開のアプリケーションで実行している場合は注意してください。私が言ったように：

HTMLは、しかし、この単純なHTMLスニペットには1を、以下に解析することができる正規表現

で解析するのに十分な定期的なされていません。

string txt = 
    @"""<span class=""MyText"" id=""1"">SomeText blah blah</span<br><span class=""MyText"" id=""2"">SomeText blah blah 1</span><br><span class=""MyText"" id=""2"">SomeText blah blah2</span>"""; 

var matches = Regex.Matches(txt, "(?<=>)([^<]+)(?=<)"); 
foreach (Match match in matches) 
    Console.WriteLine(match.Value); 

それは得られます。

SomeText blah blah 
SomeText blah blah 1 
SomeText blah blah2