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?
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>
&<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/>
实际上
<img src="imgtag.gif" alt="<img>" />
不是有效的HTML，也不是有效的XML。
它不是有效的XML，因为'<'和'>'不是属性字符串中的有效字符。它们需要使用相应的XML实体<和比;
它也不是有效的HTML，因为短结尾形式在HTML中是不允许的(但在XML和XHTML中是正确的)。根据HTML 4.01规范，'img'标记也是隐式封闭标记。这意味着手动关闭它实际上是错误的，相当于关闭任何其他标记两次。
正确的HTML版本是
<img src="imgtag.gif" alt="<img>">
XHTML和XML的正确版本是
<img src="imgtag.gif" alt="<img>"/>
下面你给出的例子也是无效的
<
tag
attr="5"
/>
这也不是有效的HTML或XML。标签的名称必须在'<'后面，尽管属性和结束的'>'可以在任何它们想要的地方。有效的XML实际上是
<tag
attr="5"
/>
这里还有一个更时髦的:你实际上可以选择使用"或'作为你的属性引用字符
<img src="image.gif" alt='This is single quoted AND valid!'>
所有其他的原因都是正确的，但是解析HTML的最大问题是人们通常不能正确理解所有的语法规则。浏览器将标记汤解释为HTML这一事实并不意味着您实际上编写了有效的HTML。
编辑:甚至stackoverflow.com也同意我对有效和无效的定义。您的无效XML/HTML没有突出显示，而我的更正版本是。
基本上，XML不是用来用regexp解析的。但也没有理由这么做。每种语言都有很多很多XML解析器。您可以在SAX解析器、DOM解析器和Pull解析器之间进行选择。所有这些都保证比使用regexp解析快得多，然后您可以在生成的DOM树上使用XPath或XSLT等很酷的技术。
因此，我的回答是:用regexp解析XML不仅困难，而且是个坏主意。只需使用现有的数百万个XML解析器中的一个，就可以充分利用XML的所有高级特性。
HTML实在是太难了，你甚至无法自己尝试解析。首先，合法的语法有许多您可能没有意识到的细微之处，其次，HTML在野外只是一个巨大的臭堆(您明白我的意思)。有各种各样的松散解析器库在处理HTML方面做得很好，就使用这些吧。
