用于未关闭HTML标记的正则表达式

我相信一些正则表达式大师可以拼凑出近似于解决方案的东西,但这不是一个好主意: HTML isn't regular . 请考虑一个HTML解析器,它能够识别这些问题,或者自己解析。

是的,它需要递归处理,而且可能相当深(当然也可能是一个奇特的循环),它不会用正则表达式来完成。您可以制作一个处理几层深度的正则表达式,但不能只处理任何html文件。这是因为解析器必须记住在流中任何给定点打开的标记,而regex在这方面并不擅长。

使用带有一些计数器的SAX解析器,或者使用带有弹出/按下的堆栈来保持状态。想一想如何编写这个游戏,看看我说的html标记深度是什么意思。 http://en.wikipedia.org/wiki/Tower_of_Hanoi

如果您希望通过编程修复HTML,我使用了一个名为 html tidy 取得了相当大的成功。大多数语言(COM+、Dotnet、PHP等)都有它的版本。

不,这对于正则表达式来说太复杂了。您的问题相当于测试一个正确使用括号的算术表达式,它至少需要一个 pushdown automaton 为了成功。

在您的例子中,您应该将HTML代码拆分为开始标记、结束标记和文本节点(例如,使用正则表达式)。将结果存储在列表中。然后,您可以遍历节点列表并将每个开始标记推送到堆栈上。如果在节点列表中遇到结束标记,则必须检查最顶端的堆栈条目是否为相同类型的开始标记。否则,您会发现查找的html语法错误。

我有个案子 是 <[^/]+$ 哪个匹配一个“ < “然后是任何不是 / ".

您可以使用正则表达式来标识所有html开始/结束元素,然后使用堆栈枚举、推送新元素并弹出结束标记。用C#试试这个-

public static bool ValidateHtmlTags(string html)
{
    string expr = "(<([a-zA-Z]+)\\b[^>]*>)|(</([a-zA-Z]+) *>)";
    Regex regex = new Regex(expr, RegexOptions.IgnoreCase);
    var stack = new Stack<Tuple<string, string>>();
    var result = new StringBuilder();
    bool valid = true;

    foreach (Match match in regex.Matches(html))
    {
        string element = match.Value;
        string beginTag = match.Groups[2].Value;
        string endTag = match.Groups[4].Value;

        if (beginTag == "")
        {
            string previousTag = stack.Peek().Item1;
            if (previousTag == endTag)
                stack.Pop();
            else
            {
                valid = false;
                break;
            }
        }
        else if (!element.EndsWith("/>"))
        {
            // Write more informative message here if desired
            string message = string.Format("Char({0})", match.Index);
            stack.Push(new Tuple<string, string>(beginTag, message));
        }
    }

    if (stack.Count > 0)
        valid = false;

    // Alternative return stack.Peek().Item2 for more informative message
    return valid;
}

我建议使用 Nokogiri :

  Nokogiri::HTML::DocumentFragment.parse(html).to_html