逃避 HTML 标记中的灾难性回溯答案

【问题标题】：Escape catastrophic backtracking in HTML markup逃避 HTML 标记中的灾难性回溯
【发布时间】：2017-08-22 06:26:50
【问题描述】：

正如我在标题中所说，我的数据集是标记，看起来有点像这样

<!DOCTYPE html>
<html>
<head>
    <title>page</title>
</head>
<body>
<main>

<div class="menu">
    <img src=mmayboy.jpg>
    <p> stackoverflow is good </p>
</div>

<div class="combine">
    <p> i have suffered <span>7</span></p>
</div>
</main>
</body>
</html>

我的正则表达式引擎尝试分别匹配以下每个节点块，即我可以尝试匹配combine 或menu。一口气，这就是我的正则表达式引擎的样子，尽管我在它下面深入研究了它的内部。

/(<div class="menu">(\s+.*)+<\/div>(?:(?=(\s+<div))))/

它会尝试深入该标记并获取所需的节点块。就这些。至于内部，我们开始吧

/
(
 <div class="menu"> // match text that begins with these literals
  (
   \s+.*
  )+ /* match any white space or character after previous. But the problem is that this matches up till the closing tag of other DIVs i.e greedy. */
  <\/div> // stop at the next closing DIV (this catches the last DIV)
  (?: // begin non-capturing group 
   (?=
    (
     \s+<div
     ) /* I'm using the positive lookahead to make sure previous match is not followed by a space and a new DIV tag. This is where the catastrophic backtracking is raised. */
   )
  )
 )
/

我用 cmets 缩进了它，以帮助任何愿意提供帮助的人。我还从博客中寻找解决方案，the manual他们说这是由具有太多可能性的表达式引起的，可以通过减少结果的机会来补救，即+?而不是*但是尽我所能，我无法将其中任何一个应用到我目前的困境中。

【问题讨论】：

Why it's not possible to use regex to parse HTML/XML: a formal explanation in layman's terms。为了平衡：Oh Yes You Can Use Regexes to Parse HTML!：…最适合小型 HTML 解析问题，最适合大型问题。

标签： javascript regex parsing html-parsing

【解决方案1】：

(\s+.*)+

大概可以简化为

[^]*?

这应该可以防止灾难性的回溯。整体简化：

/<div class="menu">[^]*?<\/div>/

您是否考虑过改用an HTML parser？

var parser = new DOMParser();
var doc = parser.parseFromString(data, 'text/html');
var menu = doc.getElementsByClassName('menu')[0];

console.log(menu.innerHTML);

【讨论】：

是的，使用 HTML 解析器。
“简化”正则表达式无法工作，因为在字母数字和符号之前有大量空格字符。其次，DOMParser 仍处于试验阶段，因此在 nodejs 上尚不可用（恰好是我需要它的地方）
@Mmayboy：啊，抱歉，正则表达式已更新。但是使用an HTML parser for Node，然后。（这不是它在 Node 上不可用的原因。）
您应该从 [^]* 再次更新它吗？到 [^.]*? :p 当我只想要这个微小的 Dom 元素时，我还需要一个节点解析器模块吗？更好的是，您介意解释一下这是如何工作的吗？
@Mmayboy：呃，哪一部分需要再更新一下？是的，如果你想要可靠的 HTML 解析，你应该使用 HTML 解析器。例如，如果另一个 <div> 最终出现在 <div class="menu"> 中，您会发现无法使用正则表达式来提取单个元素。