Question

我需要将内联css样式属性转换为HTML标记equivelants。我已经工作的解决方案，但使用Microsoft .Net Regex命名空间和长文档（约40页的html）非常缓慢地运行。我尝试了几种变化，但没有有用的结果。我已经完成了执行表达式的一些包装，但最后它只是被调用的内置正则表达式替换方法。

我确定我正在滥用正则表达式的贪婪，但我不确定如何使用单个正则表达式实现我想要的东西。

我希望能够运行以下单元测试：

[Test]
public void TestCleanReplacesFontWeightWithB()
{
    string html = "<font style=\"font-weight:bold\">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}
[Test]
public void TestCleanReplacesMultipleAttributesFontWeightWithB()
{
    string html = "<font style=\"font-weight:bold; color: blue; \">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}
[Test]
public void TestCleanReplaceAttributesBoldAndUnderlineWithHtml()
{
    string html = "<span style=\"font-weight:bold; color: blue; text-decoration: underline; \">Bold Text</span>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<u><b>Bold Text</b></u>", html);
}
[Test]
public void TestCleanReplaceAttributesBoldUnderlineAndItalicWithHtml()
{
    string html = "<span style=\"font-weight:bold; color: blue; font-style: italic; text-decoration: underline; \">Bold Text</span>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<u><b><i>Bold Text</i></b></u>", html);
}
[Test]
public void TestCleanReplacesFontWeightWithSpaceWithB()
{
    string html = "<font size=\"10\" style=\"font-weight: bold\">Bold Text</font>";
    html = Q4.PrWorkflow.Helper.CleanFormatting(html);
    Assert.AreEqual("<b>Bold Text</b>", html);
}

我用来实现这种逻辑的常规表达工作但非常慢。 c＃代码中的正则表达式如下所示：

public static IReplacePattern IncludeInlineItalicToITag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</\\2>", "$1<i>$3</i></$2>");
}
public static IReplacePattern IncludeInlineBoldToBTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?font-weight:\\s*bold[^>]*>)(.*?)</\\2>", "$1<b>$3</b></$2>");
}
public static IReplacePattern IncludeInlineUnderlineToUTag(ICleanUpHtmlFactory factory)
{
    return factory.CreateReplacePattern("(<(span|font) .*?style=\".*?text-decoration:\\s*underline[^>]*>)(.*?)</\\2>", "$1<u>$3</u></$2>");
}

Answer 1

我认为问题在于，如果找到没有定义样式属性的span | font标签，由于“。*？”，它将继续查找它直到文档结尾。我没有测试过它，但把它改成“[^＆gt;] *？”可能会提高绩效。

编辑：确保对所有“。*？”应用该更改。你有;甚至是捕获标签之间内容的那个（使用“[^＆lt;] *？”），因为如果文件格式不正确，它将捕获到下一个结束标签。

Answer 2

~~.NET正则表达式不支持递归构造。~~ PCRE可以，但这并不重要。

海外商品会有

<font style="font-weight: bold;"> text1 <font color="blue"> text2 </font> text3 </font>

它将被转换为

<b> text1 <font color="blue"> text2 </b> text3 </font>

我的建议是使用正确的标记解析器，也可以在样式标记的值上使用regexp。

编辑：抓一点。 .NET似乎有一个平衡的递归模式构造。但没有PCRE / perl那样强大。

(?<N>content) would push N onto a stack if content matches
(?<-N>content) would pop N from the stack, if content matches.
(?(N)yes|no) would match "yes" if N is on the stack, otherwise "no".

有关详细信息，请参阅http://weblogs.asp.net/whaggard/archive/2005/02/20/377025.aspx。

Answer 3

狂野猜测：我认为成本来自替代和相应的匹配。您可能想尝试替换：

"(<(span|font) .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</\\2>", "$1<i>$3</i></$2>"

有两个单独的表达式：

"(<span .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</span>", "$1<i>$2</i></span>"
"(<font .*?style=\".*?font-style:\\s*italic[^>]*>)(.*?)</font>", "$1<i>$2</i></font>"

当然，将文件解析加倍，但正则表达式更简单，使用更少的引用，实际上可能更快。它不是很好（重复代码）但只要它有效......

有趣的是，我做了类似的事情（我没有手头的代码）来清理工具生成的HTML，简化它以便JavaHelp可以理解它...这是针对HTML的正则表达式的一种情况，因为它不是一个人犯错误或改变创造HTML的小东西，而是一个定义明确的模式的过程。

Answer 4

在测试期间，我发现了奇怪的行为。在单独的线程中运行regexp时，运行速度要快得多。我有sql脚本，我正在使用regexp分为Go to Go中的部分。在不使用单独线程的情况下处理此脚本时，它持续约2分钟。但是当使用多线程时，它只持续几个小时。

使用大型文档时，正常表达式非常慢

4 个答案: