Question

假设我的HTML结构如下：

<div class="veggie">carrot</div>
<div class="veggie">cucumber</div>
<div class="fruit">
  <div class="citrus">orange</div>
  <div class="citrus">lemon</div>
  <div class="berry">grape</div>
</div>
<div class="veggie">lettuce</div>
<div class="dairy">milk</div>

但是这一切都在这样的一行：

<div class="vegetable">carrot</div><div class="vegetable">cucumber</div><div class="fruit"><div class="citrus">orange</div><div class="citrus">lemon</div><div class="berry">grape</div></div><div class="vegetable">lettuce</div><div class="dairy">milk</div>

如何将其翻译为XML：

<veggie>carrot</veggie>
<veggie>cucumber</veggie>
<fruit>
  <citrus>orange</citrus>
  <citrus>lemon</citrus>
  <berry>grape</berry>
</fruit>
<veggie>lettuce</veggie>
<dairy>milk</dairy>

这听起来很简单，但我不知道从哪里开始！

Answer 1

使用正则表达式执行此操作将是丑陋的，并且可能不可靠。首先，正则表达式不处理具有嵌套结构的语言，HTML具有这种结构。其次，HTML不是一种干净的语言;它充满了错误，浏览器构建者在他们的智慧决定接受，确保HTML编写者进一步草率编程。

一种干净的方法是解析HTML（就像编译器一样，使用“脏”的HTML解析器）并构建一个抽象语法树。（您可能会使用浏览器DOM）。然后，您将转换应用于HTML AST，以逐步将其转换为XML片段。您可以通过编写临时过程代码来执行后者，执行递归树遍历，检查特殊情况并吐出XML。程序可能看起来很丑陋，因为它正在爬上树节点，测试它，随地吐痰，整个地方，以及你所拥有的更具特色的情况，这会变得更加混乱。

很好的方法是使用program transformation system (PTS)。一个好的PTS将允许您为（脏）HTML和XML定义解析器和prettyprinters;然后您可以解析HTML，PTS将按照前一段中的建议进行AST。 PTS中的值是您通常可以使用源语言和目标语言的“表面语法”来定义转换规则，例如，您可以说“如果您看到此HTML模式，则将其替换为那个XML 模式。这里有几个例子：

 rule replace div_class(a: attribute, t: text_content): HTMLnode -> XMLNode
  =  " <div class=\a>\t<div> "
  ->  "< \a > \t <\a /> ";

此规则与仅包含文本内容的div的HTML AST（非文本）匹配，并将其映射到与class属性匹配的XML标记，具有相同的文本内容，与OP想要的部分匹配。双引号是 meta 引号，用于区分重写规则语法与源语言或目标语言语法。匹配部分用HTML语法编写，元变量转义符\ a和\ t对应于满足匹配的值。请注意，由于对t的约束，此规则只能匹配仅包含文本的HTML标记。替换部分生成所需的XML标记和内容，替换匹配的元变量的值。

对于OP示例中更复杂的部分，HTML内容不仅仅是文本，我们需要这个规则：

 rule replace div_class(a: attribute, c: content): HTMLnode -> XMLNode
  =  " <div class=\a>\c<div> "
  ->  "< \a > \c <\a /> ";
  if  ~ match(c,text_content);

\ c将匹配任何内容，因此太一般，但额外的“if”约束检查\ c不是text_content。此规则将在先前规则不会的位置运行，反之亦然。

我认为这涵盖了所有OP的例子，基础知识。

没有任何其他约束，两个规则都会在AST上运行，并且这些规则的应用顺序无关紧要。从概念上讲，每个规则将“黄色”HTML节点转换为“蓝色”XML节点;统称，规则将所有黄色补丁转换为蓝色补丁。

OP可能需要额外的规则来以任何他想要的方式将HTML文档的其他部分翻译成XML; HTML是一种相当大的语言，他可能必须编写一堆规则才能正确填写。关键是他可以在相同的表面语法风格中编写规则[作为一个实际问题，你经常需要在规则中添加一些程序代码，使它们完全粘合在一起，比纯粹的ad hoc少得多办法]。（将其写为临时代码不会节省任何费用; OP仍然必须处理所有HTML标记类型。）

不同的PTS表达规则不同。我正在使用自己的PTS [DMS Software Reengineering Toolkit]中的重写规则语法。理想情况下，PTS已经有了HTML和XML的可用定义; DMS确实。

如何将HTML结构转换为XML？

1 个答案: