解析更好：正则表达式还是linq？

Question

我正在将网页解析为Windows Phone 7，我需要知道更好的方法是什么。最重要的是性能。我在example with imdb that the author uses regex看到了，但我不确定如果我使用Html Agility Pack和Linq它会不会更好。

P.s。：我必须解析网站，而不是我的网站。

Answer 1

使用Html Agility Pack和Linq将获得最佳效果。

Parsing HTML with RegEx is quite unreliable.

Answer 2

我偶然在研究类似的主题。我没有告诉你任何权威声明，因为它太早了。首先，我使用了3个引擎：

• AgilityPack
• Majestic
• Regex

当然，还有很多选择（即使我曾经为Palm OS编写了一个简单的html查看器），但这似乎是一个好的开始。

Majestic没有提供Html-＆gt;文本转换，只是一个示例代码如何遍历html字符串。首先，我实现了简单的转换：

• 编写所有文本节点
• 转换＆lt; p＆gt;到“\ n \ n”和＆lt; br＆gt;到“/ n”
• 忽略其他一切

然后我收集了50多个html文件的样本，并使用所有3种方法进行转换。我不得不说我对这两种方法都不满意。两个一般性意见：

• Majestic和Agility的结果非常相似
• 正则表达式方法慢了一个数量级。

所以我查看了Regex代码并在底部找到了一个无意义的循环。经过简单的优化后，Regex方法只慢了约25％。鉴于它有超过30个复杂的正则表达式替换，我认为这是一个很好的结果。

然后我写了一个测试html文件，其中包含所有常见的html标签以及更多内容。和以前一样，Majestic和Agility表现相似。

• 所有引擎都可以：h1，p，标记为文本
• 所有引擎都失败了：h2 +，hr，b
• br：正则表达式失败，Majestic ok
• 列表：Regex ok，Majestic失败
• 简单的2x2表：正则表达式确定，Majestic失败

还有很多要测试的东西。例如编码。

此刻我只会说Regex似乎是一个更好的选择。但是，所提到的发动机都没有令人满意地发挥作用。从积极的方面来说，调整这些引擎（特别是Majestic和Regex）很容易。也许同样适用于Agility也是如此，但是，我并没有深入研究这个包装。