Question

我有一个NSScanner对象，可以扫描HTML文档中的段落标记。看起来扫描仪在它找到的第一个结果处停止，但我需要在数组中得到所有结果。

如何改进我的代码以浏览整个文档？

- (NSArray *)getParagraphs:(NSString *) html 
{
    NSScanner *theScanner;
    NSString *text = nil;

    theScanner = [NSScanner scannerWithString: html];

    NSMutableArray*paragraphs = [[NSMutableArray alloc] init];

    // find start of tag
    [theScanner scanUpToString: @"<p>" intoString: NULL];
    if ([theScanner isAtEnd] == NO) {
        NSInteger newLoc = [theScanner scanLocation] + 10;
        [theScanner setScanLocation: newLoc];

        // find end of tag
        [theScanner scanUpToString: @"</p>" intoString: &text];

        [paragraphs addObject:text];
    }

    return text;
}

Answer 1

不要使用扫描仪来解析HTML（也不要使用正则表达式......哦，痛苦）*。 HTML的重点在于它是一个结构化文档，旨在作为节点或对象树遍历。几乎所有基于DOM [文档对象模型]的行业都是基于此构建的。

只需使用XML解析器，[结构良好的HTML实际上只是XML]。 NSXMLDocument（或者 - 如果您需要事件驱动 - NSXMLParser）将会很棒。

或者，如果您必须处理格式错误的HTML（即任意服务器污水），请使用正确的HTML解析器。

这个question/answer describes exactly that，有一个很好的例子。

*更不用说解析HTML是业界“解决的问题”。没有必要推出一个新的。

Answer 2

免责声明：要解析HTML，最好使用像libxml的HTML 4解析器这样的HTML解析器，尤其是处理任意可能格式错误的HTML。无论如何，由于问题是如何使用NSParser来改进现有代码，我提供了以下示例。这在大多数情况下都有效，但有些情况下不会这样。对于seriuos HTML解析，请使用HTML解析器。

迭代直到扫描仪耗尽所有字符：

NSScanner* scanner = [NSScanner scannerWithString:html];
NSMutableArray *paragraphs = [[NSMutableArray alloc] init];
[scanner scanUpToString:@"<p" intoString:nil];
while (![scanner isAtEnd]) {
    [scanner scanUpToString:@">" intoString:nil];
    [scanner scanString:@">" intoString:nil];
    NSString * text = nil;
    [scanner scanUpToString:@"</p>" intoString:&text];
    if (text) { // if html contains empty paragraphs <p></p>, text could be nil
        [paragraphs addObject:text];
    }
    [scanner scanUpToString:@"<p" intoString:nil];
}
...
[paragraphs release];

NSScanner循环问题

2 个答案: