正则表达式： 关于 的通用正则表达式(转)

1． 普通的 <a> 元素；希望得到其中的 TEXT 以及 URL 信息；

注意： 下面写法不正确：
<a .*?href=(?<quot>["']?)(?<url>.+?/k<quot>.*>(?<text>.+?)</a>

对于以下这种情形：
<a href=/website/index.htm >…</a>
也就是说没有引号的情形：不能试图通过匹配 “空”， 来对其进行反向引用；因为“空”实际上可以在任何位置达到匹配；例如，对于上述情形，它实际上在 第一个“/”后面就取得了匹配；然后 URL 会返回“/”；

所以对这种连接形式，要对HREF的“末尾标签”的位置信息加上约束；（末尾标签分为3种：” , ‘ , 空 ）。也就是说HREF的末尾，要么直接为TAG右标签“>”，要么必定为一个空格，其后再跟 .*> 形式；这样一来，正则表达式匹配的时候，即便碰到“空标签”它也得保证右边跟一个“>”或跟一个“ ”（空格），才形成匹配；

所以正确的改进形式应该为：
<a .*?href=(?<quot>["']?)(?<value>.+?)/k<quot>(>| .*?>)(?<text>.+?)</a>

注意红色的部分：表明对HREF的结尾处做约束。

注意！为了正确匹配，不要用 .* 作为非限制字符的表达方式！要用 [^>] 也就是禁止右标签！
最终应该改进为：

<a [^>]*?href=(?<quot>["']?)(?<value>[^>]+?)/k<quot>(>| [^>]*?>)(?<text>.+?)</a>

2． 对于有特定限制的 <a> 元素：例如：取得“数字”连接：
原来是采取如下形式
<a .*?href=(?<quot>[""']?)(?<value>[^"']+?)/k<quot>[^>]*?>/d</a>

这种形式不但戎余，而且碰到HREF的首尾空标签后，也会发生第一种情形引发的错误。
现在，首先我们改进成兼容第一种模式的表达式：
<a .*?href=(?<quot>["']?)(?<value>.+?)/k<quot>(>| .*?>)/d+</a>

改成这种形式后：

例如：有文本：

<div class="fenye">
<div class="Picpagein"><div class="Pagediv">
<span>
<a href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632.htm" mce_href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632.htm"><b>1</b></a>
<a href=”/woman/nvbj/qcqbj/2008061616632_2.htm”>2</a>
</span>
<div class="pagein">
<a href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632_2.htm" mce_href="http://weblogs.asp.net/woman/nvbj/qcqbj/2008061616632_2.htm">下一页>></a>
</div></div></div></div>

采用改进后的初始REGEX ， 则匹配 URL （也就是HERF中的内容）结果会为：
/woman/nvbj/qcqbj/2008061616632.htm"><b>1</b></a>
<a href=”/woman/nvbj/qcqbj/2008061616632_2.htm
也就是说：它会从“2”之前的第一个 “””作为“尾标签，把其中内容全部包括进去；
其实解决方法也很简单：只要禁止HREF的内容部分中出现任何一个TAG开始标记“<”就可以了，所以改进后为：
<a [^>]*?href=(?<quot>["']?)(?<value>[^>]+?)/k<quot>(>| [^>]*?>)/d+</a>