分层正则表达式答案

【问题标题】：hierarchical regex expression分层正则表达式
【发布时间】：2011-01-15 12:41:33
【问题描述】：

构建一个匹配分层数据的单个正则表达式是否可能/实用？

例如：

<h1>Action</h1>
  <h2>Title1</h2><div>data1</div>
  <h2>Title2</h2><div>data2</div>
<h1>Adventure</h1>
  <h2>Title3</h2><div>data3</div>

我想以匹配结束。

"Action", "Title1", "data1"
"Action", "Title2", "data2"
"Adventure", "Title3", "data3"

正如我所见，这需要知道这里有一个层次结构，如果我对模式进行编码以捕获 H1，它只匹配该层次结构的第一个条目。如果我不为 H1 编码，那么我无法捕获它。想知道我是否有什么特殊的技巧可以解决这个问题。

这是一个 .NET 项目。

【问题讨论】：

用什么语言？正则表达式不是一种语言。它有许多不同的方言，其中一些支持您想要的，而另一些则不支持。大多数人没有。
那不是使用正则表达式的好地方，而是HTML解析器；根据您的平台，我们可以推荐一个好的平台。请编辑您的问题并重新标记。
从经验来看，正则表达式可以非常有效地处理野外的 HTML：D 认为它并不优雅——但它在所花的时间里是有效的。
@Mark Byers：正则表达式是一种语言。
我使用了一个 HTML 示例进行说明，但我的数据不一定是 HTML。它可以是一段纯文本，第一行始终是标题。我也在 .NET 平台上工作。

标签： regex hierarchy hierarchical

【解决方案1】：

通常认为尝试使用 RegEx 解析 HTML/XML 是不好的做法，因为它是分层的。您可以使用递归函数来执行此操作，但在这种情况下，更好的解决方案是使用真正的 XML 解析器。在不知道您使用的平台的情况下，我无法给您更好的建议。

编辑：正则表达式也很慢，这是处理 HTML 不好的另一个原因；但是，我不知道 XML/DOM 处理器可能会更快，因为它可能会使用更多的内存。

如果您只是想从一个简单文档中获取数据，就像您演示的那样，和/或如果您想自己构建一个解决方案，那么做起来并不难。只需构建一个简单的、基于递归状态的流处理器，它会查找标签并将内容传递到下一个递归级别。

例如：

- In a recursive function, seek out a "<" character.
- Now find a ">" character.
- Preserve everything you find until the next "<" character.
- Find a ">" character.
- Pass whatever you found between those tags into the recursive function.

您必须自己进行错误检查，但基本情况（当您返回到上一级别时）只是在没有其他可查找的情况下。

也许这有帮助，也许没有。祝你好运。

【讨论】：

【解决方案2】：

解决办法是不使用正则表达式。对于这类事情，它们还不够强大。

你想要的是一个解析器——因为看起来你正在尝试匹配 HTML，所以有很多选择。

【讨论】：

@snives yeh 取决于语言——antlr / lex-yacc / Spirit 可以解决问题。把这条评论放在这里，这样你就可以用谷歌搜索了。
同意，简洁的回答。

【解决方案3】：

正则表达式不适用于此类数据。它本身并不规律。

您应该为此使用 XML 解析器。

【讨论】：