您能否举例说明为什么难以用正则表达式解析XML和HTML？

Question

您能否举例说明为什么难以用正则表达式解析XML和HTML？

一个错误我看到人们做了，并再次试图解析XML或HTML用正则表达式。以下是解析XML和HTML很难的几个原因：

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视为标记的开头，但是这样的东西存在于野外：

<img src="imgtag.gif" alt="<img>" />

人们通常希望将起始标记与结束标记匹配，但XML和HTML允许标记包含自身（传统的正则表达式根本无法处理）：

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

人们通常希望匹配文档的内容（例如着名的“查找给定页面上的所有电话号码”问题），但数据可能会被标记（即使在查看时看起来是正常的）：

<span class="phonenum">(<span class="area code">703</span>)<span class="prefix">348</span>-<span class="linenum">3020</span></span>

评论可能包含格式不正确或不完整的标记：

<a href="foo">foo</a><!-- FIXME:
    <a href="
--><a href="bar">bar</a>

你还知道其他什么问题？

Answer 1

我写了一篇关于这个主题的完整博客文章：正则表达式限制问题的关键在于HTML和XML是递归结构，需要计数机制才能正确解析。真正的正则表达式无法计数。您必须具有无上下文语法才能计算。前一段有一点需要注意。某些正则表达式实现现在支持递归的想法。但是，一旦开始将recursion添加到正则表达式中，您实际上是在扩展边界并且应该考虑使用解析器。