使用正则表达式检测 HTML 格式的字符串答案

【问题标题】：Detecting HTML formatted strings with regex使用正则表达式检测 HTML 格式的字符串
【发布时间】：2013-09-13 21:23:50
【问题描述】：

我正在尝试检测字符串是 XML/HTML 格式，还是其他格式，如 CSV 或 JSON，可能包含 HTML 作为数据，或者只是可能包含随机字符的通用文本。我不是要验证完整的 XML 或 HTML 文档——我正在测试的字符串可能只是 XML/HTML 的 sn-ps，或者它们可能是其他东西的 sn-ps。因此，我的标准是字符串必须包含至少一个格式正确的 XML 标记，并且该标记必须从字符串的开头开始，除非有任何空格。（此时，您可能已经猜到我正在尝试自动检测文本内容的 mime 类型，然后再将其发送回浏览器。顺便说一句，我在 PHP 中。）

我有一个可以检测 XML/HTML 标记的正则表达式：

~<[a-z]+.*?(>.*?</[a-z]+>|/>)~i

我有一个正则表达式，它会告诉我标签是否开始字符串，忽略空格：

~^\s*<~

问题是，我无法弄清楚如何将这两者组合成一个正则表达式。困难似乎源于正则表达式的“贪婪”方面，特别是如果主题包含嵌套标签。帮忙？

【问题讨论】：

试试：/<([^>]+)>.+?<\/\1>/
~^(\s+)?<[a-z]+.*?(>.*?</[a-z]+>|/>)~i ?
顺便说一句，您还应该考虑 <?xml version="1.0"?><xmltag attr="1" /> 是有效的 XML。
@elclanrs 是否解决了前面的空格？
@dev-null-dweller 是的。我试过了，但如果主题包含嵌套的 XML 标记，它就不起作用。

标签： php html xml regex tags

【解决方案1】：

以下示例似乎对我有用：

<?php

$multiline = <<<'EOD'
<html>
<a>Another Tag</a>
</html>
EOD;

$singletag = <<<'EOD'
<html/>
EOD;


$badformat = <<<'EOD'
<html><html>
EOD;

$nothtml = <<<'EOD'
<html><html>
EOD;

$regex = '~^\s*<([a-z\:]+)[^>]*(?:/>|>.*</\1>)~sim';
echo preg_match($regex, $multiline) . "\n"; // 1
echo preg_match($regex, $singletag) . "\n"; // 1
echo preg_match($regex, $badformat) . "\n"; // 0
echo preg_match($regex, $nothtml) . "\n"; // 0

如果您在多行 HTML 上使用它（听起来很可能），那么您没有正确的 modifiers：

s 对于PCRE_DOTALL，. 字符将包含换行符
m 表示PCRE_MULTILINE，匹配整个文本，不将每一行视为自己的字符串

顺便说一句：

我也把这个变得更严格了，所以它必须找到一个匹配的结束标签（使用\1反向引用）
HTML/XML 文档还有其他有效的开头，如 cmets 中所述（例如 HTML doctype 或 XML 标头）。正则表达式可能不是解决此问题的最佳解决方案。
您还可以考虑不要求在文件开头添加标签，或者创建更多规则来为“最佳猜测”文档类型创建分数。

【讨论】：

非常感谢您指出修饰符...我不想提出这个问题，但是，假设我需要它来处理 HTML doctype 或 XML 标头（如前所述），那么?除了正则表达式之外，还有更好的方法吗？
@CodeCavalier 我想这取决于您的目标以及您需要什么样的accuracy - 如果您说它是 HTML，您是否需要 100% 确定它实际上是 HTML？还是您只需要为每个人分配最佳猜测？如果两者看起来都像（即其中带有 JS 的 HTML 或带有 HTML 的 JS）怎么办？如果您需要 100% 的精度，您可以为每种语言使用解析器。另一方面，如果您需要一个最佳猜测，您可以稍微放宽规则并寻找提示（格式良好的标签或 JSON 结构将是一个好的开始）。
@CodeCavalier 请记住，有太多的边缘情况很难做到完美，因此您需要弄清楚哪些权衡是可以接受的。例如，以// <html></html> 开头的JS 文件或以<html><!-- { ... } 开头的HTML 文件呢？
@CodeCavalier 我输入了所有内容，然后我刚刚阅读了您关于不想将内容添加到不匹配格式的评论。首先，应该很容易判断文件是否为 CSV。检查每一行是否存在逗号（如果它不止一列）。如果它不包含任何 HTML 标签等，您也可以假设它是 CSV 或 JSON。最后，唯一真正正确的方法是首先跟踪格式。你有机会做到吗？