Simple & Funny——用正则表达式处理html文档

有一份html文件，里面有很多的网址引用的是相对地址，比如说，需要把它改成绝对地址，例如www.codeproject.com/image/logo.gif />。由于源文件体积不小，因此需要一个快速而且资源占用不大的处理方法。

?

我当时的第一反应就是使用正则表达式，因为与其它方式，比如说直接处理字符串或者使用XmlReader/XmlWriter等相比，正则表达式的速度和资源占用都是最佳的。因此，仔细考虑之后，我写成了下面的代码：

?

using System;using System.Text.RegularExpressions;using System.IO;class EvalDemo{    public static string GetResult(Match m)    {        return Regex.Replace(m.Value, @"[/]", @"http://www.codeproject.com/");    }}class Demo{    public static void Main()    {        StreamReader reader=File.OpenText("source.txt");        string source=reader.ReadToEnd();        reader.Close();        string reg=@"href/s*=/s*[""']?/";        string result=Regex.Replace(source, reg, new MatchEvaluator(EvalDemo.GetResult));        Console.WriteLine(result);    }}

?

其中，放置在同一目录下的source.txt文件保存有需要修改的html源文件，当然你也可以把它放在其它目录下，或者采用不同的方式来获得，例如通过HttpResponse来获取相含有该文件的流。

?

在打开该文件并读入内存后，我使用StreamReader.ReadToEnd方法获取了流内容的字符串表示，然后用正则表达式对这一字符串进行操作。也许你会问，直接通过查找把所有的href=”/替换成href=”www.codeproject.com/不可以吗？这样是可以的，但如果html代码变成了href=/那么就无法处理了，另外因为html允许在有效字符间留有空格，所以如果用户在html文件中把代码写成href =? /，那么你也必须把这种情况考虑在内（尽管不太会发生），这样你的string.Replace方法就会变得很复杂，而应用正式表达式来处理这一问题就会简单多了，请看下面这行代码：

?

string reg=@"href/s*=/s*[""']?/";

?

如果你此前没接触过正则表达式，那么可能会感到有些复杂。其实只要我把其中各项所代表的内容解释在下面，你就会发现其实正则表达式没什么神秘的：

?

字符	含义
/s	匹配一个空白字符，比如全角空格、半角空格、制表符等
*	表示它前面的项目（/s）可以有零个或多个匹配，也就是说这里既可以没有空格，也可以有多个空格
[]	匹配其中的单个字符
[“”’]	匹配这两个字符：双引号或者单引号。由于双引号在C#里有特殊含义，因此需要以两个双引号的形式来表示单个双引号
？	表示它前面的项目([“”’])可以有一个或多个匹配，与*的用法相似

?

有了上面的解释，再去看那段正则表达式是不是很简单了？其实就是要找一段类似href=”/的字符串，其中可能会含有一些空白字符或可选字符。好了，接着往下看。

?

string result=Regex.Replace(source, reg, new MatchEvaluator(EvalDemo.GetResult));

?

这是标准的正则表达式替换操作的用法，其中前两项参数的用意非常明确，而第三项参数比较特殊：在这里创建了一个MatchEvaluator委托的实例，并传入了一个回调方法——EvalDemo.GetResult的地址。为什么要这样设计呢？其实一般的正则表达式替换操作是不需要这样复杂的，你只需指定要替换的源，要替换的字符，以及替换后的字符即可，但在这个示例里情况很特殊——你无法确切获知要被替换的是什么字符！不是吗？可能是href=”/，也可能是href=’/，甚至可能是href?? =??? /，因此你需要通过一个回调函数来处理这个变化多端的字符串，在处理后传回处理结果，例如对于href=”/而言，处理结果将是href=”/www.codeproject.com，而href=’/的处理结果则是href=’/www.codeproject。理解了这一点以后，就请来看看这个简单有趣的回调方法：

?

class EvalDemo
{
??? public static string GetResult(Match m)
??? {
??????? return Regex.Replace(m.Value, @"[/]", @"http://www.codeproject.com/");
??? }
}

?

在这里，回调方法其实是自定义的EvalDemo类的静态方法，该方法接受一个Match类实例，通过Match.Value可以获得需要处理的字符串，然后对该字符串加以处理即可。因此，在GetResult方法里，我用了一个最基本的正则表达式替换操作，查找所有需要处理的字符串中的/（斜杠）字符，把它替换成http://www.codeproject.com，然后返回结果。这样，Main中的替换操作便获得了所需的第三个参数，替换操作可以进行了。

?

最后，为了演示方便，我把最终结果（即修改后的html文件内容）打印到Console上面。你可以自己选择是否打印，或者保存到文件中。

?

OK，一个不太复杂的正则表达式的应用就讲解到这里了，希望能通过这篇文章带你进入正则表达式的大门。如果你对本文有任何意见或看法，欢迎提出来！