关于正则解析HTML的吐槽点

V2EX = way to explore

V2EX 是一个关于分享和探索的地方

已注册用户请登录

这是一个创建于 4736 天前的主题，其中的信息可能已经有所发展或是发生改变。

http://stackoverflow.com/questions/1732348/regex-match-open-tags-except-xhtml-self-contained-tags/1732454#1732454
这篇小有名气的SO回答貌似很受欢迎，但是我抓不到槽点阿阿。。。求解释

另外，如果不推荐使用正则解析HTML的理由是因为正则不能准确判断HTML层级的嵌套的话，那么用正则去抓取那些不太可能嵌套的信息是不是可取的？

比如img tag的src阿，这个会不会有可能嵌套/被嵌套呢？
还有比如anchor tag里的href，是不是这些都相对/嵌套被嵌套的可能性小一些？
从而可以用正则去抓取？

嵌套

正则

HTML

5 条回复 1970-01-01 08:00:00 +08:00

dreampuf

2012-10-22 14:24:10 +08:00

可以不代表适合。

HTML规范不一，很难拿到适配的regex。
regex适合字符作为单元的匹配模式，而非一个HTML TAG。

crazybubble

2012-10-22 14:30:32 +08:00

@dreampuf 嗯啊我想的是如果把一个html作为一整个字符串来看，其实也是以字符为单元的不是嘛？如果我要找一个img的src，那就类似找一个pattern之前有<img src=“ 这个pattern之后有”，找这种tag的attribute的话，一般不会有嵌套这种问题存在吧？那是不是用正则来提取信息比较可行？还是说这种也不可行，正则根本就不应该去和html有任何交集？

hu437

2012-10-22 14:37:35 +08:00

可以试试使用JSOUP进行解析，非常方便

dreampuf

2012-10-22 14:39:30 +08:00

@crazybubble regex匹配HTML是可以的，但如你所说，匹配的还是img这个HTML tag，只是拿regex干HTML parser的事儿。但这毕竟只是特例，如果要做一般化的采集，更推荐的是HTML parse得到DOM后进行DOM的node访问（XPATH）。

crazybubble

2012-10-22 14:42:36 +08:00

@dreampuf 非常谢谢，我想这回答了我的问题。