最重要的正则表达式解析HTML

有用的正则表达式（正则表达式）是无法形容的。尤其是在解析文件，它是一个非常适合和不可缺少的工具。所有的HTML和XML解析器基本上使用正则表达式提取HTML文档中的大是大非的信息，如标签的名称，，宗正标签是否是良好的，空的，或由核对了一堆规则的标签，甚至畸形。一个HTML解析器所需要的所有正则表达式，最重要/复杂，是一个相匹配的元素的开始标记。
有很多正则表达式解决方案，就如何解析HTML标签和属性。最流行的一种（在互联网上，我已经看到了这么远）是这样的:"LT（\ /）（\ W）[^>] *（\ /）GT; quot;这是一个非贪婪正则表达式匹配一个开始和结束标记。例如，它会匹配quot; LT; pregt; quot;和"LT ;/ pregt; quot;它也将匹配quot;
"这是一个空元素。这个表达式是低效的，因为它没有考虑到一堆案件:解析器如何知道如果标签是一个空的块，或内联元素？如何将它知道如果标签具有属性和如何处理这些属性呢？不能回答这些问题可以通过使用这种过于简单化的Regex。
我发现一个非常有效的正则表达式解析HTML标签和属性:LT / ^（\ W）（（？？\ \ W（:\ * \ *（:（:quot [^"] * quot ;) |（:'[^'] *'）| [^> \]）））*）\ *（\ /）;/ GT？。这个正则表达式更容易，不仅确定空标签，但还解析属性的Regex智能在这些tags.This的一块是在John Resig的的"HTMLparser.js"一个简单的HTML解析器由John Resig。乍一看，这似乎是复杂的。但如果你看看这个正则表达式更加紧密，你会发现它只是对标签中提取必要的信息:它的标记名称，其属性，其类型（空）。打破正则表达式
有三个主要群体:第一组？（\ W）？？抓住了正在审议的标签名称。第二组是最大的三个。它包含子组，其中大部分是不匹配（组:不匹配，这意味着该组匹配后，本集团将不会提供的信息）。这第二组匹配在标签的属性（如果存在）。引号组检查（双或单）围绕一个属性的值。它也处理的情况下，那里arenbsp;围绕属性的值没有引号:[^ GT \ S]。这也使得正则表达式匹配的非贪婪（[^>] *防止捕获多个直角支架）。第三组则是简单的检查，如果被检查的标记是一个空元素（如
{七}| danielthesolver