किसी वेबपृष्ठ से लिंक पार्स करने के लिए नियमित अभिव्यक्ति?

रेगेक्सबड्डी लाइब्रेरी से:

यूआरएल: पूर्ण पाठ में खोजें

अंतिम चरित्र वर्ग यह सुनिश्चित करता है कि यदि कोई यूआरएल कुछ पाठ का हिस्सा है, तो यूआरएल के बाद कॉमा या पूर्ण स्टॉप जैसे विराम चिह्न को यूआरएल के हिस्से के रूप में व्याख्या नहीं किया जाता है।

\b(https?|ftp|file)://[-A-Z0-9+&@#/%?=~_|!:,.;]*[-A-Z0-9+&@#/%=~_|]

यूआरएल? छवियों / स्क्रिप्ट / सीएसएस / आदि में के रूप में?

<�कोड>% href = "(। ["] *) "%

सभी HTTP और मेलो के

(["'])(mailto:|http:).*?\1

सभी लिंक, जिनमें रिश्तेदार शामिल हैं, जिन्हें href या src द्वारा बुलाया जाता है।

#Matches things in single or double quotes, but not the quotes themselves
(?<=(["']))((?<=href=['"])|(?<=src=['"])).*?(?=\1)

#Maches thing in either double or single quotes, including the quotes.
(["'])((?<=href=")|(?<=src=")).*?\1

दूसरा, आपको केवल लिंक मिलेगा जो डबल कोट्स का उपयोग करते हैं।

मेरे पास एक रेगेक्स की कोशिश करने और सोचने का समय नहीं है जो शायद काम नहीं करेगा, लेकिन मैं टिप्पणी करना चाहता था कि आपको निश्चित रूप से अपने रेगेक्स को तोड़ना चाहिए, कम से कम अगर यह कुरूपता का यह स्तर :

(?:(?:\r\n)?[ \t])*(?:(?:(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t]
)+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ \t]))*"(?:(?:
\r\n)?[ \t])*)(?:\.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(
?:\r\n)?[ \t])+|\Z|(?=[\["()<>@,;:\\".\[\]]))|"(?:[^\"\r\\]|\\.|(?:(?:\r\n)?[ 
\t]))*"(?:(?:\r\n)?[ \t])*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\0
....*SNIP*....
*))*@(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])
+|\Z|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*)(?:\
.(?:(?:\r\n)?[ \t])*(?:[^()<>@,;:\\".\[\] \000-\031]+(?:(?:(?:\r\n)?[ \t])+|\Z
|(?=[\["()<>@,;:\\".\[\]]))|\[([^\[\]\r\\]|\\.)*\](?:(?:\r\n)?[ \t])*))*\>(?:(
?:\r\n)?[ \t])*))*)?;\s*)

(यह माना जाता है कि ईमेल पते से मेल खाता है)

संपादित करें: मैं इसे एक पोस्ट पर भी फिट नहीं कर सकता, यह बहुत बुरा है ....

((mailto\:|(news|(ht|f)tp(s?))\://){1}\S+)

I took this from regexlib.com

[संपादक का नोट: इस रेगेक्स में {1} का कोई वास्तविक कार्य नहीं है; यह पोस्ट देखें ]

एचटीएमएल एजिलिटी पैक के साथ, आप इसका उपयोग कर सकते हैं:

HtmlDocument doc = new HtmlDocument();
doc.Load("file.htm");
foreach(HtmlNode link in doc.DocumentElement.SelectNodes("//[email protected]")
{
Response.Write(link["href"].Value;
}
doc.Save("file.htm");

यूआरआई विनिर्देश देखें। इससे आपको बहुत मदद मिल सकती है। और जहां तक ​​प्रदर्शन चलता है, आप एक सामान्य वेब पेज में सभी HTTP लिंक को बहुत अधिक निकाल सकते हैं। जब मैं मामूली कहता हूं तो निश्चित रूप से इसका मतलब यह नहीं है कि ईएलआईएसपी मैनुअल की तरह एचटीएमएल मैनुअल में एक पृष्ठ शामिल है। प्रदर्शन भी एक स्पर्श विषय है। मेरी सलाह आपके प्रदर्शन को मापने के लिए होगी और फिर तय करें कि क्या आप एक ही रेगेक्स का उपयोग करके या कई सरल रेगेक्स अभिव्यक्तियों के साथ सभी लिंक निकालने जा रहे हैं।

http://gbiv.com/protocols/uri/rfc/rfc3986.html

जब तक एचटीएमएल के लेखक उद्धरण उद्धृत करते हैं, तब तक यह सभी टैगों से यूआरएल को कैप्चर करेगा:

]+href="([^"]+)"[^>]*>

मैंने एक उदाहरण यहां किया है।

according to http://tools.ietf.org/html/rfc3986

किसी भी पाठ से यूआरएल निकालना (न केवल HTML)

(http\\://[:/?#\\[\\]@!%$&'()*+,;=a-zA-Z0-9._\\-~]+)