如何使用HtmlAgilityPack提取页面脚本src中的特定文本

没问题，我来帮你搞定这个需求！你要提取的是嵌在<script>标签里JS代码中oScript.src属性里的子reddit名称（也就是这里的ethereum），用HtmlAgilityPack结合正则就能轻松实现，步骤如下：

1. 定位目标<script>节点 #

首先，我们需要用HtmlAgilityPack加载你的HTML页面，然后找到包含这段Reddit懒加载代码的<script>标签。因为页面里可能有多个script标签，我们可以通过代码里的特定注释/* Reddit lazy load hack */来精准筛选：

using HtmlAgilityPack;

// 加载HTML文档（可以是本地字符串或远程页面）
HtmlDocument htmlDoc = new HtmlDocument();
htmlDoc.LoadHtml(yourHtmlContent); // 如果你是加载远程页面，用 new HtmlWeb().Load("your-page-url")

// 筛选出包含目标JS代码的script节点
var targetScriptNode = htmlDoc.DocumentNode
    .SelectNodes("//script")
    ?.FirstOrDefault(script => script.InnerText.Contains("Reddit lazy load hack"));

if (targetScriptNode == null)
{
    // 处理找不到目标script的情况，比如抛出提示或返回空
    Console.WriteLine("未找到包含目标Reddit代码的script标签");
    return;
}

2. 提取并解析JS代码中的目标内容 #

拿到script节点的文本内容后，我们用正则表达式匹配oScript.src的赋值语句，精准捕获r/后面到.embed之前的子reddit名称。这个正则能兼容代码里的空格、单双引号等小变动：

using System.Text.RegularExpressions;

// 获取script标签内的JS代码文本
string jsCode = targetScriptNode.InnerText;

// 定义正则：匹配oScript.src的赋值，捕获r/后的子reddit名称
Regex subredditRegex = new Regex(
    @"oScript\.src\s*=\s*["']https:\/\/www\.reddit\.com\/r\/([^."']+)\.embed",
    RegexOptions.IgnoreCase
);

Match matchResult = subredditRegex.Match(jsCode);
if (matchResult.Success)
{
    // Groups[1]就是我们要的"ethereum"
    string targetSubreddit = matchResult.Groups[1].Value;
    Console.WriteLine($"提取到的子reddit名称：{targetSubreddit}");
}
else
{
    Console.WriteLine("未匹配到目标src属性中的子reddit名称");
}

小提示 #

• 如果你的HTML页面里的JS代码格式有细微变化（比如引号用单引号、赋值前后有更多空格），这个正则依然能正常工作，因为我们用了\s*匹配任意空格，["']兼容单双引号，[^."']+确保只捕获到.embed之前的有效子reddit名称。
• 一定要确保筛选script节点的条件足够精准，避免误抓其他无关的script标签。

内容的提问来源于stack exchange，提问作者Zoinky