我看到人们反复犯的一个错误是试图用正则表达式解析XML或HTML。以下是解析XML和HTML比较困难的几个原因:

人们希望将文件视为行序列,但这是有效的:

<tag
attr="5"
/>

人们希望将<或<标记作为标记的开始,但这样的东西在野外存在:

<img src="imgtag.gif" alt="<img>" />

人们经常想要匹配开始标签和结束标签,但是XML和HTML允许标签包含自己(传统的正则表达式根本无法处理):

<span id="outer"><span id="inner">foo</span></span> 

人们经常想要匹配文档的内容(例如著名的“在给定页面上查找所有电话号码”问题),但数据可能会被标记(即使在查看时看起来是正常的):

<span class="phonenum">(<span class="area code">703</span>)
<span class="prefix">348</span>-<span class="linenum">3020</span></span>

注释可能包含格式不佳或不完整的标记:

<a href="foo">foo</a>
<!-- FIXME:
    <a href="
-->
<a href="bar">bar</a>

你还知道其他什么陷阱吗?


当前回答

下面是一些有趣的有效XML:

<!DOCTYPE x [ <!ENTITY y "a]>b"> ]>
<x>
    <a b="&y;>" />
    <![CDATA[[a>b <a>b <a]]>
    <?x <a> <!-- <b> ?> c --> d
</x>

这个快乐的小包裹是有效的HTML:

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd" [
    <!ENTITY % e "href='hello'">
    <!ENTITY e "<a %e;>">
]>
    <title>x</TITLE>
</head>
    <p id  =  a:b center>
    <span / hello </span>
    &amp<br left>
    <!---- >t<!---> < -->
    &e link </a>
</body>

更不用说所有针对无效结构的浏览器特定解析。

祝你在正则表达式与之对抗时好运!

EDIT (Jörg W Mittag):这是另一个格式良好、有效的HTML 4.01:

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
  "http://www.w3.org/TR/html4/strict.dtd"> 
<HTML/
  <HEAD/
    <TITLE/>/
    <P/>

其他回答

人们使用正则表达式是犯了一个错误,还是仅仅因为正则表达式对他们试图实现的任务足够好?

我完全同意其他人回答的使用正则表达式解析html和xml是不可能的。

然而,如果你的要求不是解析html/xml,而是在html/xml中“已知的好”的部分中获得一小部分数据,那么一个正则表达式甚至一个更简单的“子字符串”就足够了。

列表中没有的一个问题是属性可以以任何顺序出现,所以如果你的regex正在寻找一个带有href“foo”和类“bar”的链接,它们可以以任何顺序出现,并且在它们之间有任何数量的其他东西。

我很想说“不要重新发明轮子”。只是XML是一种非常非常复杂的格式。也许我应该说"不要再发明同步加速器"

也许正确的陈词滥调开始于“当你只有一把锤子时……”您知道如何使用正则表达式,正则表达式擅长解析,那么为什么还要费神学习XML解析库呢?

因为解析XML很困难。您不必学习使用XML解析库而节省下来的精力,将被您必须进行的大量创造性工作和错误排查所弥补。为了您自己的利益,谷歌“XML库”并利用其他人的工作。

我认为问题可以归结为:

The regex is almost invariably incorrect. There are legitimate inputs which it will fail to match correctly. If you work hard enough you can make it 99% correct, or 99.999%, but making it 100% correct is almost impossible, if only because of the weird things that XML allows by using entities. If the regex is incorrect, even for 0.00001% of inputs, then you have a security problem, because someone can discover the one input that will break your application. If the regex is correct enough to cover 99.99% of cases then it is going to be thoroughly unreadable and unmaintainable. It's very likely that a regex will perform very badly on moderate-sized input files. My very first encounter with XML was to replace a Perl script that (incorrectly) parsed incoming XML documents with a proper XML parser, and we not only replaced 300 lines of unreadable code with 100 lines that anyone could understand, but we improved user response time from 10 seconds to about 0.1 seconds.

人们通常默认编写贪婪模式,通常足以导致未经深思熟虑的。*将大块文件吸进尽可能大的<foo>.*</foo>. *。