Question

构建匹配分层数据的单个正则表达式是否可行/实用？

例如：

<h1>Action</h1>
  <h2>Title1</h2><div>data1</div>
  <h2>Title2</h2><div>data2</div>
<h1>Adventure</h1>
  <h2>Title3</h2><div>data3</div>

我想最终得到比赛。

"Action", "Title1", "data1"
"Action", "Title2", "data2"
"Adventure", "Title3", "data3"

我认为这需要知道这里有一个层次结构，如果我编码模式来捕获H1，它只匹配该层次结构的第一个条目。如果我不为H1编码那么我就无法捕获它。想知道我是否有任何特殊的技巧来解决这个问题。

这是一个.NET项目。

Answer 1

解决方案是不使用正则表达式。对于这类事情，它们不够强大。

你想要的是解析器 - 因为看起来你正在尝试匹配HTML，有很多可供选择。

Answer 2

尝试使用RegEx解析HTML / XML通常被认为是不好的做法，正是因为它是分层的。您可以使用递归函数来执行此操作，但在这种情况下更好的解决方案是使用真正的XML解析器。如果不了解你正在使用的平台，我无法给你更好的建议。

编辑：正则表达式也很慢，这是处理HTML的另一个原因;但是，我不知道XML / DOM处理器可能会更快，因为它可能会占用更多内存。

如果你只想要一个像你所演示的简单文档中的数据，和/或如果你想自己构建一个解决方案，那就不那么难了。只需构建一个简单的，递归的基于状态的流处理器，它可以查找标记并将内容传递给下一个递归级别。

例如：

- In a recursive function, seek out a "<" character.
- Now find a ">" character.
- Preserve everything you find until the next "<" character.
- Find a ">" character.
- Pass whatever you found between those tags into the recursive function.

您必须自己完成错误检查，但基本情况（当您返回到上一级别时）就是没有其他任何东西可以找到。

也许这有帮助，也许不是。祝你好运。

Answer 3

正则表达式不适用于此类数据。这本身并不常见。

您应该使用XML解析器。

分层正则表达式

3 个答案: