Я знаю этот пост, я его уже читал, но все же я хотел бы узнать, какой язык (может) использовать парсер html? Я имею в виду, анализирует ли он весь исходный код с помощью регулярного выражения или использует обычный язык программирования, такой как С# или Python?
Помимо вопроса выше, не могли бы вы также рассказать мне, с чего я должен начать создавать свой собственный парсер? (Я хотел бы создать парсер html для своих личных нужд :)
Python, Java и Perl — прекрасные языки для обучения написанию парсера HTML. Perl очень удобен для регулярных выражений, но это не то, что вам нужно для синтаксического анализатора. Писать объектно-ориентированные программы на Python или Java немного приятнее. C/C++/C# и т. д. также распространены для очень быстрых парсеров. Однако в качестве учебного упражнения я рекомендую Python или Java, чтобы вы могли сравнить свою работу со стандартными парсерами.
Стандартный способ — использовать дуэт Yacc/Lex; второй делает код, который разбивает код на токены, первый строит код, который преобразует поток токенов в некоторую желаемую структуру.
Есть и более заманчивый вариант, Ragel. Здесь вы просто пишете большую структуру, подобную регулярному выражению, способную сопоставлять весь файл, и определяете хуки, которые будут срабатывать при совпадении определенного подшаблона.
