Как написать регулярное выражение для разбора html?

Я пытаюсь написать регулярное выражение для моего парсера html.

Я хочу сопоставить тег html с заданным атрибутом (например, <div> с class="tab news selected" ), который содержит один или несколько тегов <a href>. Регулярное выражение должно соответствовать всему тегу (от <div> до </div>). Кажется, я всегда получаю ошибки «исчерпание памяти» - моя программа, вероятно, принимает каждый тег, который она может найти, как соответствующий.

Я использую библиотеки регулярных выражений boost.


c++ html boost regex html-content-extraction
person Community    schedule 27.04.2009    source источник
comment
Остерегайтесь Zalgo   -  person Kelly S. French    schedule 13.01.2012

Ответы (5)


arrow_upward
2
arrow_downward

Вам также могут быть полезны эти вопросы:

Можете ли вы привести несколько примеров того, почему сложно анализировать XML и HTML с помощью регулярных выражений?

Можете ли вы привести пример анализа HTML с вашим любимым парсером?

person Chas. Owens    schedule 27.04.2009

arrow_upward
7
arrow_downward

Вероятно, вам следует взглянуть на этот вопрос. регулярные выражения и HTML. Суть в том, что использование регулярных выражений для разбора HTML ни в коем случае не является идеальным решением.

person Brian Agnew    schedule 27.04.2009

arrow_upward
2
arrow_downward

Как уже говорили другие, не используйте регулярные выражения, если это вообще возможно. Если ваш код на самом деле XHTML (т. е. это также правильно сформированный XML), я могу порекомендовать оба Xerces и Expat синтаксические анализаторы XML, которые сделают вашу работу намного лучше, чем регулярные выражения.

person Community    schedule 27.04.2009

arrow_upward
1
arrow_downward

Возможно, регулярные выражения — не лучшее решение, но я уже использую около пяти разных библиотек, и boost отлично справляется с поиском <a href> тегов и ключевых слов.

Я использую эти регулярные выражения:

/<a[^\n]*/searched attribute/[^\n]*>[^\n]*</a>/ для поиска <a href> тегов и:

/<a[^\n]*href[[^\n]*>/searched keyword/</a>/ для поиска ссылок

(Кстати, можно ли это сделать лучше? - Я не умею регулярное выражение;))

Что мне нужно сейчас, так это найти теги, содержащие <a href>, и я думаю, что регулярные выражения подойдут - может быть, мне нужно будет написать свою собственную функцию синтаксического анализа, как сказал piotr.

person Community    schedule 27.04.2009
comment
Дело не в том, что регулярные выражения не являются лучшим решением — то, что вы пытаетесь сделать регулярным выражением, не является допустимым решением совсем. Вместо этого используйте парсер HTML или XML. - person Peter Boughton; 27.04.2009
comment
Хорошо, так какой из них вы рекомендуете. Я бы предпочел легкий ;) - person ; 27.04.2009

arrow_upward
0
arrow_downward

Делайте так, как это делает flex: сопоставьте ‹div› с нечувствительным к регистру соответствием и поместите свой парсер в состояние «сопоставление div», продолжайте обрабатывать ввод до ‹/div› и сбросьте состояние.

Для этого требуется два регулярных выражения и переменная состояния.

Допустимые символы тегов SGML: [A-Za-z_:]

Итак: /‹[A-Za-z_:]+>/ соответствует тегу.

person piotr    schedule 27.04.2009
comment
Или вместо того, чтобы заново изобретать велосипед, используйте существующий уже написанный синтаксический анализатор, который уже будет иметь дело с крайними случаями и так далее. - person Peter Boughton; 27.04.2009