Regex парсить ссылки и описания

Пока нет вложенных тегов (и разрывов строк), хорошо работает следующий вариант:

<a\s+href=(?:"([^"]+)"|'([^']+)').*?>(.*?)</a>

Как только в игру вступают вложенные теги, регулярные выражения становятся непригодными для синтаксического анализа. Однако вы все еще можете использовать их, применяя более продвинутые функции современных интерпретаторов (в зависимости от вашей машины regex). E.g. .NET регулярные выражения используют стек; я нашел это:

(?:<a.*?href=[""'](?<url>.*?)[""'].*?>)(?<name>(?><a[^<]*>(?<DEPTH>)|</a>(?<-DEPTH>)|.)+)(?(DEPTH)(?!))(?:</a>) 

Источник: http://weblogs.asp.net/scottcate/archive/2004/12/13/281955.aspx

Смотрите этот пример из StackOverflow: регулярное выражение для разбора ссылок с веб-страницы?

С помощью пакета HTML Agility Pack вы можете разобрать html и извлечь детали, используя семантику HTML, вместо сломанного regex.

Я нашел это , но, по-видимому, у этих парней были некоторые проблемы с этим.

Edit: (это работает!)
Теперь я сделал свое собственное тестирование и обнаружил, что оно работает, я не знаю C#, поэтому я не могу дать вам ответ C#, но я знаю PHP, и вот массив совпадений, который я получил от запуска его на этом:

<a href="pages/index.php" title="the title">Text</a>

array(3) { [0]=> string(52) "Text" [1]=> string(15) "pages/index.php" [2]=> string(4) "Text" } 

У меня есть regex , который обрабатывает большинство случаев, хотя я считаю, что он соответствует HTML в многострочном комментарии.

Он написан с использованием синтаксиса .NET, но должен быть легко переводимым.

Вот регулярное выражение, которое будет соответствовать сбалансированным тегам.

(?:""'[""'].*?>)(?(?>(?) |(?<-DEPTH>)|.)+) (?(DEPTH)(?!)) (?:)

Просто собираюсь выбросить этот фрагмент теперь, когда у меня есть working..this-это менее жадная версия одного из предложенных ранее. Оригинал не будет работать, если входные данные содержат несколько гиперссылок. Этот код ниже позволит вам перебирать все гиперссылки:

static Regex rHref = new Regex(@"<a.*?href=[""'](?<url>[^""^']+[.]*?)[""'].*?>(?<keywords>[^<]+[.]*?)</a>", RegexOptions.IgnoreCase | RegexOptions.Compiled);
public void ParseHyperlinks(string html)
{
   MatchCollection mcHref = rHref.Matches(html);

   foreach (Match m in mcHref)
      AddKeywordLink(m.Groups["keywords"].Value, m.Groups["url"].Value);
}