你能举例说明为什么用正则表达式解析XML和HTML很困难吗?

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

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。

我不同意。如果你要在regex中使用递归，你可以很容易地找到打开和关闭标记。

这里我展示了一个regex的例子，以避免在第一条消息中解析例子的错误。

其他回答

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。

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。

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。

我不同意。如果你要在regex中使用递归，你可以很容易地找到打开和关闭标记。

这里我展示了一个regex的例子，以避免在第一条消息中解析例子的错误。

推荐文章