Получить ссылки на определенные слова из HTML-кода в C #

Если у вас есть HTML-файл, например:

<div class="a">
    <a href="http://www.website.com/"></a>
    <a href="http://www.website.com/notfound"></a>
    <a href="http://www.website.com/theword"></a>
    <a href="http://www.website.com/sub/theword"></a>
    <a href="http://www.website.com/theword.html"></a>
    <a href="http://www.website.com/other"></a>
</div>

И вы ищете, например, следующие слова: theword и other . Вы можете определить регулярное выражение, а затем использовать LINQ, чтобы получить ссылки с атрибутом href соответствующим вашему регулярному выражению, следующим образом:

Regex regex = new Regex("(theworld|other)", RegexOptions.IgnoreCase);

HtmlNode node = htmlDoc.DocumentNode.SelectSingleNode("//div[@class='a']");
List<HtmlNode> nodeList = node.SelectNodes(".//a").Where(a => regex.IsMatch(a.Attributes["href"].Value)).ToList<HtmlNode>();

List<string> urls = new List<string>();

foreach (HtmlNode n in nodeList)
{
    urls.Add(n.Attributes["href"].Value);
}

Обратите внимание, что есть ключевое слово contains с XPATH, но вам придется дублировать условие для каждого слова, которое вы ищете, например:

node.SelectNodes(".//a[contains(@href,'theword') or contains(@href,'other')]")

Там также matches ключевое слово для XPATH, к сожалению , он доступен только с XPATH 2.0 и HtmlAgilityPack использует XPATH 1.0. С XPATH 2.0 вы можете сделать что-то вроде этого:

node.SelectNodes(".//a[matches(@href,'(theword|other)')]")