Question

我需要在格式不好的HTML文档中解析单个选择标记（因此基于XML的解析器不起作用）。

我想我知道如何使用parsec来解析select标记，但是如何跳过该标记之前和之后的所有内容？

示例：

<html>
   random content with lots of tags...
   <select id=something title="whatever"><option value=1 selected>1. First<option value=2>2. Second</select>
   more random content...
</html>

这实际上是选择标记中HTML的样子。我如何使用Parsec执行此操作，还是建议我使用其他库？

Answer 1

以下是我的表现：

solution = (do {
  ; string "<tag-name"
  ; x <- ⟦insertOptionsParserHere⟧
  ; char '>'
  ; return x
  }) <|> (anyChar >> solution)

这将递归消耗字符，直到它遇到一个起始<html>标记，然后它使用你的解析器，并使递归消耗最终标记。

明智的做法是注意到之前可能存在拖尾的空格。之后为了解决这个问题，我们可以这样做，只要你的解析器使用标签：

solution = ⟦insertHtmlParserHere⟧ <|> (anyChar >> solution)

要明确这意味着⟦insertHtmlParserHere⟧会有这种结构：

⟦insertHtmlParserHere⟧ = do
   string "<tag-name"
   ⋯
   char '>'

作为旁注，如果您想捕获每个可用的标签，您可以非常愉快地使用many：

everyTag = many solution

Answer 2

您可以尝试使用正则表达式并捕获选择标记：

import Text.ParserCombinators.Parsec
import Text.Regex.Posix


getOptionTags content = content =~ "(<select.*</select>)"::[[String]]

main :: IO ()
main = do
    s <- readFile "in"
    putStrLn . show . head . head $ getOptionTags s

Answer 3

您可以使用Replace.Megaparsec.findAll在文档中找到与解析器匹配的子字符串。

import Replace.Megaparsec
import Text.Megaparsec

let parseSelect :: Parsec Void String String
    parseSelect = do
        chunk "<select"
        manyTill anySingle $ chunk "</select>"

let input = "<html>\n   random content with lots of tags...\n   <select id=something title=\"whatever\"><option value=1 selected>1. First<option value=2>2. Second</select>\n   more random content...\n</html>"

>>> parseTest (findAll parseSelect) input
[Left "<html>\n   random content with lots of tags...\n   "
,Right "<select id=something title=\"whatever\"><option value=1 selected>1. First<option value=2>2. Second</select>"
,Left "\n   more random content...\n</html>"
]

Parsec忽略除一个片段之外的所有内容

3 个答案: