Come scrivere un espressione regolare per l'analisi html?

Question

Sto cercando di scrivere un espressione regolare per il mio parser HTML.

Voglio corrispondere un tag HTML con dato attributo (ad es. <div> con class="tab news selected") che contiene uno o più tag <a href>. L'espressione regolare deve corrispondere l'intero tag (da <div> a </div>). Mi sembra sempre di ottenere "memoria esaurita" errori -. Il mio programma prende probabilmente ogni tag che riesce a trovare un corrispondente uno

Sto usando le librerie Boost regex.

Answer 1

È inoltre possibile trovare queste domande utili:

Potete fornire alcuni esempi del perché è difficile analizzare XML e HTML con una regex?

Potete fornire un esempio di parsing HTML con il parser preferito?

Answer 2

Probabilmente si dovrebbe guardare a questa domanda ri. espressioni regolari e HTML. Il succo è che l'utilizzo di espressioni regolari per analizzare HTML, non è affatto una soluzione ideale.

Answer 3

Come altri hanno detto, non usare espressioni regolari, se possibile. Se il codice è in realtà XHTML (vale a dire che è anche ben formato XML) AI può consigliare sia le Xerces e Expat parser XML, che farà un lavoro betterv molto per voi che le regex.

Answer 4

Forse espressioni regolari non sono la soluzione migliore, ma sto già utilizzando come cinque diverse librerie e spinta fa bene quando si tratta di localizzare i tag <a href> e parole chiave.

Sto usando queste espressioni regolari:

/<a[^\n]*/searched attribute/[^\n]*>[^\n]*</a>/ per localizzare i tag <a href> e:

/<a[^\n]*href[[^\n]*>/searched keyword/</a>/ per l'individuazione di collegamenti

(BTW si può fare meglio - faccio schifo a regex;?))

Quello che ho bisogno ora è localizzare i tag contenenti <a href> di espressioni regolari e penso che farà bene - forse avrò bisogno di scrivere la mia funzione di parsing come ha detto Piotr.

Answer 5

Non come flex fa:. Partita

con una tra maiuscole e minuscole, e mettere il parser in uno stato di "div abbinato", mantenere l'elaborazione di ingresso fino a

e ripristinare lo stato

Questa operazione richiede due espressioni regolari e una variabile di stato.

tag SGML caratteri validi sono [A-Za-z _:]

: / <[A-Za-z _:] +>. / Corrisponde un tag