C# 正則表達式提取網頁超連結：Link 與 Text 完整解析

需求場景

網頁爬蟲、內容分析、SEO 檢測等場景常需從 HTML 中提取超連結的 href 屬性（Link）與連結文字（Text）。使用 Regex 是輕量級的解析方案。

核心正則表達式

string pattern = @"<a[^>]*href=(""(?<href>[^""]*)""|'(?<href>[^']*)'|(?<href>[^\s>]*))[^>]*>(?<text>.*?)</a>";

模式解析：

• <a[^>]*：匹配 <a 開始，後接任意非 > 字元
• href=：匹配 href 屬性
• ("(?<href>[^""]*)"|'(?<href>[^']*)'|(?<href>[^\s>]*))：三種引號格式支援
  • 雙引號："(?<href>[^""]*)"
  • 單引號：'(?<href>[^']*)'
  • 無引號：(?<href>[^\s>]*)
• [^>]*>：匹配剩餘屬性至標籤結束
• (?<text>.*?)：非貪婪匹配連結文字（命名群組 text）
• </a>：匹配結束標籤

完整實作範例

string html = @"<a href=""https://example.com"" class=""link">範例網站</a> 
                <a href='https://test.com' id='t1'>測試站</a>
                <a href=https://noquote.com>無引號</a>";

Regex re = new Regex(pattern, RegexOptions.IgnoreCase | RegexOptions.Singleline);

foreach (Match m in re.Matches(html))
{
    string link = m.Groups["href"].Value;
    // 移除文字中的巢狀 HTML 標籤
    string text = Regex.Replace(m.Groups["text"].Value, @"<[^>]*>", "");
    
    Console.WriteLine($"Link: {link}");
    Console.WriteLine($"Text: {text}");
    Console.WriteLine("---");
}

輸出結果

Link: https://example.com
Text: 範例網站
---
Link: https://test.com
Text: 測試站
---
Link: https://noquote.com
Text: 無引號

進階考量與替代方案

常見陷阱提醒

• 跨行匹配：需加 RegexOptions.Singleline 讓 . 匹配換行符
• href 屬性順序不固定：正則假設 href 在前，實際 HTML 可能 <a class=""x"" href=""..."">
• 巢狀 <a> 標籤：非法 HTML 但瀏覽器會容錯，正則難以正確處理
• 編碼實體：文字可能包含 & 等實體，需解碼

改良版正則（支援屬性順序不固定）

// 更健壯但較複雜的模式
string robustPattern = @"<a\s+(?:[^>]*?\s)?href=(""(?<href>[^""]*)""|'(?<href>[^']*)'|(?<href>[^\s>]*))[^>]*>(?<text>.*?)</a>";