用正則表達式解析html格式用法備忘

 

 

 

1. 起因

a)         工作中需要解析html ，由於現有的html解析代碼過於老舊，不滿足可讀性，復用性，維護性三個編程要求。意味着，html解析模塊一旦出了問題，修復時間長，人力耗費高。而對於系統，html解析的需求是長期存在的，需要有一套可復用，高效，模塊化方法來解析。正則表達式解析正是這樣一個嘗試方向。

 

 

1. 正則表達式解析舉例

a)         刪除特定標簽：

 

 

刪除<xxx>類型的標簽:

 

#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的值為 “content”

 

刪除<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的值為 “<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';}

 

 

程序輸出為：

<a color=green>

<b color=blue>

 

 

 

1. 使用正則表達式做解析優劣

a)         好處

                         i.              代碼簡潔短小， 減少維護壓力。

b)         壞處

                         i.              正則表達式入門成本高

                       ii.              不懂正則的人讀不懂，要靠注釋說明。

 

 

 

 

1. 正則表達式資料

a)         簡單的入門其實不難，一些簡單的網站介紹幾本可以大概了解。

b)         正則用法廣泛，不必追求全懂，知道可能會有寫法，一邊查資料， 一邊測試效果更快。

c)         測試工具推薦使用 RegexBuddy， 用法簡單， 網上也有blog教用。用此工具可以快速看到正則的效果是不是需要的（如下圖）。