用正则表达式解析html格式用法备忘

 

 

 

1. 起因

a)         工作中需要解析html ，由于现有的html解析代码过于老旧，不满足可读性，复用性，维护性三个编程要求。意味着，html解析模块一旦出了问题，修复时间长，人力耗费高。而对于系统，html解析的需求是长期存在的，需要有一套可复用，高效，模块化方法来解析。正则表达式解析正是这样一个尝试方向。

 

 

1. 正则表达式解析举例

a)         删除特定标签：

 

 

删除<xxx>类型的标签:

 

#include "boost/regex.hpp"

string str_replace = "";

string instr = "<tag>content</tag>";

boost::regex reg_del( "<[^>]*>" );

string result = boost::regex_replace(instr, reg_del, str_replace, boost::match_default | boost::format_all);

 

 

result的值为 “content”

 

删除<style>xxx</style>:

 

#include "boost/regex.hpp"

string str_replace = "";

string instr = "<a><style>content</style><b>";

boost::regex reg_del2( "<style[^>]*>[^>]*</style>" );

string result = boost::regex_replace(instr, reg_del2, str_replace, boost::match_default | boost::format_all);

 

 

result的值为 “<a><b>”

 

#include "boost/regex.hpp"

std::string text("<a color=green>content1</a><b color=blue>content2</b>");

boost::regex regex("<[^>]*color[^>]*>");

boost::sregex_token_iterator iter(text.begin(), text.end(), regex, 0);

boost::sregex_token_iterator end;

for (; iter != end; ++iter)

{std::cout << *iter << '\n';}

 

 

程序输出为：

<a color=green>

<b color=blue>

 

 

 

1. 使用正则表达式做解析优劣

a)         好处

                         i.              代码简洁短小， 减少维护压力。

b)         坏处

                         i.              正则表达式入门成本高

                       ii.              不懂正则的人读不懂，要靠注释说明。

 

 

 

 

1. 正则表达式资料

a)         简单的入门其实不难，一些简单的网站介绍几本可以大概了解。

b)         正则用法广泛，不必追求全懂，知道可能会有写法，一边查资料， 一边测试效果更快。

c)         测试工具推荐使用 RegexBuddy， 用法简单， 网上也有blog教用。用此工具可以快速看到正则的效果是不是需要的（如下图）。