كيفية كتابة تعبير منتظم لتحليل HTML؟

Question

أحاول كتابة تعبير منتظم لمحلل HTML الخاص بي.

أريد أن أتفق مع علامة HTML مع سمة معينة (على سبيل المثال. <div> مع class="tab news selected" ) يحتوي على واحد أو أكثر <a href> العلامات. يجب أن يتطابق RegExp العلامة بأكملها (من <div> ل </div>). يبدو دائما أن أحصل على أخطاء "استنفدت الذاكرة" - من المحتمل أن يأخذ برنامجي كل علامة يمكن العثور عليه كمطابق واحد.

أنا أستخدم مكتبات Boost Regex.

Answer 1

قد تجد أيضا هذه الأسئلة مفيدة:

يمكنك تقديم بعض الأمثلة حول سبب صعوبة تحليل XML و HTML مع Regex؟

هل يمكنك تقديم مثال على تحليل HTML مع المحلل المحلل المفضل لديك؟

Answer 2

ربما يجب أن تنظر في هذا السؤال يكرر. Regexps و html. GIST هو أن استخدام تعبيرات منتظمة لتحليل HTML ليس بالأي حلا مثاليا.

Answer 3

كما قال آخرون، لا تستخدم Regexes إذا كان ذلك ممكنا. إذا كان التعليمات البرمجية الخاصة بك في الواقع XHTML (أي أنه أيضا XML مشكلات جيدة)، يمكن أن يوصي AI xerces. و مغترب محلل XML، والذي سيقوم بعمل أفضل بكثير لك من Regexes.

Answer 4

ربما regexps ليست أفضل حل، لكنني أستخدم بالفعل مثل خمسة مكتبات مختلفة وزيادة جيدة عندما يتعلق الأمر بتحديد تحديد موقع <a href> العلامات والكلمات الرئيسية.

أنا أستخدم هذه Regexps:

/<a[^\n]*/searched attribute/[^\n]*>[^\n]*</a>/ تحديد موقع <a href> العلامات و:

/<a[^\n]*href[[^\n]*>/searched keyword/</a>/ لتحديد المواقع الروابط

(راجع للشغل هل يمكن القيام به بشكل أفضل؟ - أنا تمتص في Regex؛))

ما أحتاجه الآن هو تحديد موقع العلامات التي تحتوي على <a href>وأعتقد أن Regexps سيفعل كل شيء على ما يرام - ربما سأحتاج إلى كتابة وظيفة التحليل الخاصة بي كما قال بيوتر.

Answer 5

تفعل كما المرن يفعل: المباراةu003Cdiv style=";text-align:right;direction:rtl"> مع تطابق غير حساس للحالة، ووضع المحلل المحلل في حالة "DIV المتطابقة"، والحفاظ على معالجة المدخلات حتىu003C/div> وإعادة تعيين الدولة.

هذا يأخذ اثنين من regexps ومتغير الدولة.

SGML العلامات أحرف صالحة هي [A-ZA-Z_:

لذلك: / <[A-ZA-Z _:] +> / يطابق علامة.