如何为html解析编写正则表达式？

Question

我正在尝试为我的html解析器编写正则表达式。

我希望将html标记与包含一个或多个<div>标记的给定属性（例如class="tab news selected"与<a href>）匹配。正则表达式应与整个标记匹配（从<div>到</div>）。我似乎总是得到“内存耗尽”错误 - 我的程序可能会将它可以找到的每个标记作为匹配的标记。

我正在使用boost regex库。

Answer 1

你应该看看this question。正则表达式和HTML。要点是使用正则表达式解析HTML绝不是一个理想的解决方案。

Answer 2

正如其他人所说，如果可能的话，不要使用正则表达式。如果您的代码实际上是XHTML（即它也是格式良好的XML），我可以推荐Xerces和Expat XML解析器，这将为您提供比正则表达式更好的工作。

Answer 3

您可能还会发现这些问题很有用：

Can you provide some examples of why it is hard to parse XML and HTML with a regex?

Can you provide an example of parsing HTML with your favorite parser?

Answer 4

也许正则表达式不是最好的解决方案，但我已经使用了五个不同的库，并且在查找<a href>标签和关键字时提升效果很好。

我正在使用这些正则表达式：

/<a[^\n]*/searched attribute/[^\n]*>[^\n]*</a>/用于查找<a href>代码和：

/<a[^\n]*href[[^\n]*>/searched keyword/</a>/用于查找链接

（顺便说一句，它可以做得更好吗？ - 我吮吸正则表达式;））

我现在需要的是找到包含<a href>的标签，我认为正则表达式会做得很好 - 也许我需要编写自己的解析函数，正如piotr所说。

Answer 5

做flex时：匹配＆lt; div＆gt;使用不区分大小写的匹配，并将解析器置于“div匹配”状态，继续处理输入，直到＆lt; / div＆gt;并重置状态。

这需要两个正则表达式和一个状态变量。

SGML标签有效字符为[A-Za-z _：]

所以：/＆lt; [A-Za-z _：] +＆gt; /匹配标签。