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:
<tagattr="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>
&<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