为什么用正则表达式很难解析XML和HTML?

以下是难以解析XML和HTML的一些原因:

人们希望将文件视为一系列行,但这是有效的:

<tag

attr="5"

/>

人们希望将<或<tag视为标签的开头,但是类似的东西却普遍存在:

<img src="imgtag.gif" alt="<img>" />

人们通常希望将开始标签与结束标签匹配,但是XML和HTML允许标签包含它们自己(传统的正则表达式根本无法处理):

<span id="outer"><span id="inner">foo</span></span>

人们通常希望将其与文档内容进行匹配(例如著名的“在给定页面上查找所有电话号码”问题),但是数据可能会被标记(即使在查看时看起来很正常):

<span class="phonenum">(<span class="area code">703</span>)

<span class="prefix">348</span>-<span class="linenum">3020</span></span>

注释可能包含格式不正确或不完整的标签:

<a href="foo">foo</a>

<!-- FIXME:

<a href="

-->

<a href="bar">bar</a>

您还知道其他哪些陷阱?

回答:

这是一些有趣的有效XML:

<!DOCTYPE x [ <!ENTITY y "a]>b"> ]>

<x>

<a b="&y;>" />

<![CDATA[[a>b <a>b <a]]>

<?x <a> <!-- <b> ?> c --> d

</x>

这一点欢乐就是有效的HTML:

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd" [

<!ENTITY % e "href='hello'">

<!ENTITY e "<a %e;>">

]>

<title>x</TITLE>

</head>

<p id = a:b center>

<span / hello </span>

&amp<br left>

<!---- >t<!---> < -->

&e link </a>

</body>

更不用说针对无效构造的所有特定于浏览器的解析。

祝您好运,正则表达式!

编辑(JörgW Mittag):这是格式良好,有效的HTML 4.01的另一个不错的片段:

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"

"http://www.w3.org/TR/html4/strict.dtd">

<HTML/

<HEAD/

<TITLE/>/

<P/>

以上是 为什么用正则表达式很难解析XML和HTML? 的全部内容, 来源链接: utcz.com/qa/398213.html

回到顶部