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

关于这个主题,我写了一篇完整的博文:正则表达式的限制

问题的关键在于HTML和XML是递归结构,为了正确地解析它们需要计数机制。真正的正则表达式不能计数。为了计数,必须使用与上下文无关的语法。

前一段有一个小小的警告。某些regex实现现在支持递归的思想。然而,一旦您开始在正则表达式中添加递归,您实际上是在扩展边界,应该考虑使用解析器。

其他回答

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.

这取决于你对“解析”的定义。一般来说,XML不能使用正则表达式来解析,因为XML语法根本不是规则的。简单地说,正则表达式无法计数(好吧,Perl的正则表达式实际上可能能够计数),因此您无法平衡打开-关闭标记。

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。

我相信这本经典书里有你要找的信息。你可以在那里的一条评论中找到要点:

我认为这里的缺陷在于HTML是Chomsky Type 2语法 (上下文无关语法),RegEx是Chomsky Type 3语法(常规语法) 表达式)。因为Type 2语法从根本上比 第三型语法——你不可能指望能做到这一点。但许多 会尝试,有人会声称成功,有人会发现错误和 把你搞得一团糟。

更多信息来自维基百科:乔姆斯基等级