[正则表达式] 可以解析HTML/XHTML页面的所有元素和结构的Regular Expression！[ZT]
哈哈，继 昨天的那个正则表达式 之后又写了一个更长的Regular Expression，全长527，是用于查找出所有的XHTML/HTML的标记外面的所有空格，并将之转换为 的。 希望这个能够解决dudu提的一个cnblogs的bug：）即使不能解决问题也算是对System.Text.RegularExpression.Regex的一个练笔了：）
(?:(?:\<(?:Style)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:Style)\>))|(?:(?:\<(?:script)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:script)\>))|(?:\<!(?:[\w-]+)(?:\s+(?:[\w-]+|\"[\s\S]*?\"|\'[\s\S]*?\'))*\s*\>)|(?:\<!--[\s\S]*?--\>)|(?:\<(?:[\w-]+)(?:\s+(?:[\w-]+)(?:=(?:[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)|(?:\</(?:[\w-]+)\>)|(?:\<!\[CDATA\[(?:[\s\S]*?)\]\]\>)|(?:(?:(?<blank>[ ]+)|[^ \<\>])+)
这个正则表达式虽然很长，但可不是我用手code出来的哦，是我写的程序产生的，代码如下：）
public static string ReplaceSpace(string content) 
{ 
string tag = @"(?:[\w-:]+)"; string attribute = @"(?:[\w-:]+)(?:=(?:[^\s\>\<]*|\""[\s\S]*?\""|\'[\s\S]*?\'))?"; string name = @"(?:[\w-:]+)"; string argument = @"(?:[\w-:]+|\""[\s\S]*?\""|\'[\s\S]*?\')"; string beginningTag = @"(?:\<" + tag + @"(?:\s+" +attribute + @")*\s*(?:/)?\>)"; string endingTag = @"(?:\</" + tag + @"\>)"; string xmlComment = @"(?:\<!--[\s\S]*?--\>)"; string xmlDirective = @"(?:\<!" +name + @"(?:\s+" +argument + @")*\s*\>)"; string xmlCData = @"(?:\<!\[CDATA\[(?:[\s\S]*?)\]\]\>)"; string styleBlock = @"(?:(?:\<(?:Style)(?:\s+" +attribute + @")*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:Style)\>))"; string scriptBlock = @"(?:(?:\<(?:script)(?:\s+" +attribute + @")*\s*(?:/)?\>)(?:[\s\S]*?)(?:\</(?:script)\>))"; string xmlLiteral = @"(?:(?:(?<blank>[ ]+)|[^ \<\>])+)"; string pattern = styleBlock + "|" + scriptBlock + "|" + xmlDirective + "|" + xmlComment + "|" + beginningTag + "|" + endingTag + "|" + xmlCData + "|" + xmlLiteral; Regex r = new Regex(pattern, RegexOptions.IgnoreCase | RegexOptions.Compiled); MatchCollection mc = r.Matches(content); StringBuilder sb = new StringBuilder(content.Length + 1024); foreach (Match m in mc) 
{ 
if (m.Groups["blank"].Captures.Count > 0) { sb.Append(m.Value.Replace(" ", " ")); 
} else { sb.Append(m.Value); } } return sb.ToString(); 
}
最后，再给个更长的（全长765）正则表达式，这个算是我写的最长的正则表达式了。其实上面给出的第一个Regex是下面这个的一个专用于捕获blank的简化版本。
虽
然长，但很有用，可以解析出整个XHTML/HTML页面的所有元素和结构来：）解析后的内容都分别保存在named
groups中了，可以通过match.Groups["name"];来提取，比如match.Groups["tag"];match.Groups
["attribute"];match.Groups["Style_Block";match.Groups["XML_Comment"];等，感
兴趣的不妨试一试就知道了：）
(?#Copyright
2005, by Laser
Lu.)(?<Style_Block>(?<begin>\<(?<tag>style)(?:\s+(?<attribute>[\w-:]+)(?:=(?<value>[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?<body>[\s\S]*?)(?<end>\</\k<tag>\>))|(?<Script_Block>(?<begin>\<(?<tag>script)(?:\s+(?<attribute>[\w-:]+)(?:=(?<value>[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)(?<body>[\s\S]*?)(?<end>\</\k<tag>\>))|(?<XML_Directive>\<!(?<name>[\w-:]+)(?:\s+(?<argument>[\w-:]+|\"[\s\S]*?\"|\'[\s\S]*?\'))*\s*\>)|(?<XML_Comment>\<!--[\s\S]*?--\>)|(?<Beginning_Tag>\<(?<tag>[\w-:]+)(?:\s+(?<attribute>[\w-:]+)(?:=(?<value>[^\s\>\<]*|\"[\s\S]*?\"|\'[\s\S]*?\'))?)*\s*(?:/)?\>)|(?<Ending_Tag>\</(?<tag>[\w-:]+)\>)|(?<XML_CDATA>\<!\[CDATA\[(?<data>[\s\S]*?)\]\]\>)|(?<XML_Literal>(?:(?<blank>[
]+)|[^ \<\>])+)
关于以上的两个Regex的相关说明，应该说功能还是比较强大的了：
1。这两个正则表达式能够解析最好是HTML/XHTML格式，如果是其他格式的字符串，有可能会运行不正常；
2。支持识别的标记有：普通的HTML标记，<!--HTML注释-->，<!XML指令>，<![CDATA[ ... ]]>，标记或指令的标识符支持[a-zA-Z0-9_-:]；
3。支持name=value和单独一个name的attribute，能够识别出""或''包括的属性值；
4。针对<style></style>和<script></script>标记包含的内容进行特殊处理，也就是所有的CSS和Script代码将原封不动的作为整体捕获。
