Question

我有一个部分的html字符串，并且给定了开始标记的位置，我希望能够找到匹配的结束标记的位置。我不能使用html解析器（至少我认为我不能）因为html只是一个片段，而不是完整的html。在我正在查看的部分之前或之后可能存在不匹配的标签。该字符串不包含dtd，html，head或body标记。

例如：

<div id='something' class='someclass'>
  <h1>Title</h1>
  <div><p>some text</p></div>
  <div>
    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>
  </div>
</div>

（位置编号是特定标记开头的＆lt; ）
如果位置为0（从字符串开始），我想获得内容：

  <h1>Title</h1>
  <div><p>some text</p></div>
  <div>
    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>
  </div>

鉴于位置为39（第二行的h1开头），我想获得内容：

Title

给定位置83（第4行div的开头），我想获得内容：

    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>

到目前为止，我尝试了几种方法。首先，我使用strpos找到匹配的结束标记，然后查看起始点和结束标记之间是否有另一个开始标记。如果找到，我会查找下一个匹配的结束标记。相当混乱。

然后我尝试搜索下一个匹配的开始标记（前面带有“＆lt;”的标记名称），然后检查其间是否有结束标记。也很乱。

最后，我从指定位置开始使用标记，并构建了一个开始和结束标记的列表（堆栈） - 在开始标记上推送标记名称并在匹配时弹出标记名称（如果匹配）关闭标记，直到堆栈有一个项目与起始标记匹配。每次操作时，我都会跟踪位置，以便最终得到起始位置（开始标记中＆gt;后面的字符）和结束位置（结束标记的＆lt;字符前面的字符）。

它会忽略不匹配的结束标记。例如，如果有一个开头 p 标记，然后是一个开头的 b 标记，那么它会找到结束 / p 标记而没有结束 b 标记，它会从列表中删除 b 标记。同样，如果它找到一个不在堆栈中的结束标记，它会忽略它。例如：

<p><b>some text</p></b>

<b>和</b>都会被忽略。

这最后一种方法似乎是最好的想法，但我想知道是否有其他人有更好的想法。

我不是在找人写代码。我能做到。我正在寻找一个概念/想法。如果我上面的最后一个想法是最好的，我也很乐意听到。

如果这是一个坏主意，或者我已经离开了左侧领域，我也希望听到这一点，但如果您能解释为什么和提供更好，更理智的方式，我将不胜感激做到这一点。

我想我正在寻找一个“现实”检查，以确保我不会使解决方案复杂化。

提前致谢！

斯隆

Answer 1

如何通过char完整浏览你的字符串char：

假设字符串名为s。

int counter = 0;
bool simpleQuote = false;
bool doubleQuote = false;

int lastOpeningBraquetPosition = 0;
int lastClosingBraquetPosition = 0;

for (int i = 0; i < s.size(); i++)
{
  char c = s[i];
  if (c == "\"") 
    doubleQuote = !doubleQuote;
  if (c == "'") 
    simpleQuote = !simpleQuote;

  if ((c == "<") && (!doubleQuote) && (!simpleQuote))
  {
    //the car interest us
    counter++;
    //we save the position of the last "<"
    lastOpeningBraquetPosition = i;
  }

  if ((c == ">") && (!doubleQuote) && (!simpleQuote))
  {
    //the car interest us
    counter--;
    if (counter == 0)
    {
       //TODO : take the interesting part between lastClosingBraquetPosition + 1 and lastOpeningBraquetPosition - 1 with check to ensure to be in the string
       return result;
    }
    //we save the position of the last ">"
    lastClosingBraquetPosition = i;
  }
}

我没有编译那段代码，但哲学就在这里。

你通过char searhing＆lt;和＆gt;只在字符串之外（TODO：管理\＆＃34;）每次找到＆lt;时都会增加一个计数器。并且每次找到＆gt;时减少它。你保存最后一个＆lt;和＆gt;提取有趣部分的位置。

Answer 2

我通过编写伪解析器解决了我的问题。它非常基本，从指定位置的标签开始。它遍历字符串，识别每个标记和结束标记。它还会监视自动关闭标签（即。）。对于每个开始标记，它将其推送到堆栈，对于每个结束标记，如果它与最后一个开始标记匹配，则将其从堆栈中弹出。当它从堆栈中弹出最后一个匹配的标记时，它找到了起始标记的匹配结束标记。

当它工作时，它会跟踪开始标记的结束和匹配结束标记的开始。这允许它知道起始标签包含的字符串的起始位置和结束位置。我添加了一些＆＃34; smarts＆＃34;检测和处理错过匹配的标签，但总的来说，它就像描述一样简单。

我使用它来解析网页上的信息，找到并捕获特定数据。例如，我用它将数据表转换为数据库记录，作为项目的一部分，将手工输入的html表转换为数据库表记录。它似乎相当快，解析了12列的超过10k的记录，并在不到0.1秒的时间内将数据插入表中。

我选择此方法而不是使用完整的html或xml解析器，因为在许多情况下，起始位置是基于另一个元素后面的元素而不是能够使用css选择器。对于所涉及的特定html，使用css选择器确定起始位置会更加困难，但使用知道起点的strpos很容易跳过一些与所需元素的选择器匹配的html。< / p>

在部分html字符串中查找匹配的结束标记

2 个答案: