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

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>. *。

其他回答

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

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>. *。

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。

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="&lt;img&gt;">

XHTML和XML的正确版本是

<img src="imgtag.gif" alt="&lt;img&gt;"/>

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。

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。

推荐文章