【问题标题】:What would it take to evolve regex into something that can parse HTML? [duplicate]将正则表达式演变成可以解析 HTML 的东西需要什么? [复制]
【发布时间】:2011-06-22 19:21:49
【问题描述】:

阅读这篇有趣的咆哮 (RegEx match open tags except XHTML self-contained tags) 我想知道...如何更改正则表达式以成功解析 HTML?

我在这里寻找建议:

  1. 对正则表达式进行最少的添加,因为我们知道并喜欢它们(即,不要“让它们看起来像 XSLT!”键入答案)
  2. 足够强大,可以正常工作。
  3. 建议语法(不只是列出一般要求)

真的有人做过这样的东西吗?

【问题讨论】:

  • 我不确定我是否明白这一点(而不是一开始就使用 DOM 解析器)?
  • 严格的 HTML 还是草率的 HTML?第一个比第二个容易得多 - 因为所有比第一个更多或第二个!

标签: html regex


【解决方案1】:

添加新的转义序列:

  • \H -- 匹配 HTML 文档

【讨论】:

  • 现在这是一个便宜的答案。大约与“最短的 hello world 程序是一种为每个输入输出该文本的语言”一样便宜。它还需要正则表达式引擎中的整个 HTML 解析器,这是相当不切实际的。
  • “解析 HTML 文档”并不是一个真正有意义的要求。根据您要提取的信息,无论如何您都需要用宿主语言编写循环或条件。在某些情况下,您需要在导航文档时维护一堆打开的元素。试图将所有这些硬塞进正则表达式语法似乎毫无意义。
【解决方案2】:

DOM/XML 解析器在内部使用正则表达式来解析 html。它们与仅使用正则表达式的区别在于弥补正则表达式的缺点。正则表达式的主要缺点之一是处理嵌套标签和格式错误的代码(如缺少标签)。因此,围绕基本的正则表达式,编写了各种算法和条件来尝试处理这些事情。当然,还有一些部分实际上是从中创建对象的。

所以您问过要如何让正则表达式完成 DOM/XML 解析器的工作?您必须以某种方式将所有这些算法和条件塞进正则表达式引擎,在内部和模式语法中。

我个人不希望这种情况发生。 IMO 正则表达式应该是直接模式匹配。 IMO 它已经有一些 IMO 值得怀疑的东西(例如,某些正则表达式实际上确实有一种使用条件的方法)。采用正则表达式引擎,然后围绕它构建一个更大的工具(如 DOM/XML 解析器)IMO 是最好的方法。

【讨论】:

  • 无论如何......如果你有能力掌握正则表达式(根据我的经验,大多数人都没有),那么学习php.net/dom 的基础知识就像在公园里散步一样。
【解决方案3】:

取决于您所说的“解析”是什么意思。通常这涉及将字符流转换为对象树。要使用正则表达式执行此操作,您需要将捕获组完全更改为运行时变量多节点树,而不是它们当前的编译时间固定数组。完成后,您就重新编写了 lex/yacc。

【讨论】:

    【解决方案4】:

    Perl 6 有一个正则表达式扩展,旨在做到这一点:http://en.wikipedia.org/wiki/Perl_6_rules。

    【讨论】:

    • 理论家们已经抱怨 PCRE 不正规。 这甚至不再是远程正则表达式......
    【解决方案5】:

    有趣的是,现实世界的工具可以并且经常被修改以执行它们可能不适合的任务。例如,如果有人试图用叉子吃肉汤,他们基本上不会成功。输入spork。

    我认为程序员不一定总是那样工作。工具扩展其范围并不少见,但程序员尝试将特定工具用于特定目的也是一个悠久的传统。

    现在,恰好为了使正则表达式能够解析 HTML,它必须是一个模式匹配器/识别器,它也能记住状态。对于 T 来说,这正是解析器所做的。它使用模式匹配(实际上,它经常使用正则表达式!)来匹配标记。然后它会记住标记的组合。

    所以事实上,正则表达式被非常频繁地用于解析 HTML,以及其他函数可以记住无法单独使用正则表达式描述或处理的更大模式。

    希望能回答这个问题。

    【讨论】:

    • 肉汤? Sporks是用来吃MRE的!或 Enchiritos。
    猜你喜欢
    • 2015-11-28
    • 2011-04-23
    • 2015-06-12
    • 2016-10-19
    • 1970-01-01
    • 1970-01-01
    • 2011-01-23
    • 2012-01-26
    • 2010-10-22
    相关资源
    最近更新 更多