你能提供一些例子,为什么很难用正则表达式解析XML和HTML？

一个错误，我看到人们做 over和 over again试图用正则表达式解析XML或HTML。以下是解析XML和HTML的几个原因：

人们希望将文件视为一系列行，但这是有效的：

<tag
attr="5"
/>

人们想要治疗<或< tag作为标签的开头，但这样的东西在野外存在：

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

人们通常希望将起始标记与结束标记匹配，但XML和HTML允许标记包含自身(传统的正则表达式根本无法处理)：

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

人们通常希望与文档的内容(例如着名的“查找给定页面上的所有电话号码”问题)进行匹配，但数据可能已标记(即使在查看时显示为正常)：

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

评论可能包含格式不正确或不完整的标签：

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

你还知道其他什么？

这里有一些有趣的有效XML：

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

这个小捆绑的喜悦是有效的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构造的浏览器特定解析。

祝你运气正常表达式反对！

EDIT(JörgW Mittag)：这是另一个很好的一个格式良好，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/>

你能提供一些例子,为什么很难用正则表达式解析XML和HTML？

猜你在找的正则表达式相关文章