在部分 html 字符串中查找匹配的结束标记

Question

我有一个部分 html 字符串，并且给定了开始标记的位置，我希望能够找到匹配的结束标记的位置。我不能使用 html 解析器（至少我认为我不能），因为 html 只是一个 sn-p，而不是完整的 html。我正在查看的部分之前或之后可能存在不匹配的标签。该字符串不包含 dtd、html、head 或 body 标记。

例如：

<div id='something' class='someclass'>
  <h1>Title</h1>
  <div><p>some text</p></div>
  <div>
    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>
  </div>
</div>

（位置编号是特定标签开头的）
给定位置 0（如果字符串开头），我想获取内容：

  <h1>Title</h1>
  <div><p>some text</p></div>
  <div>
    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>
  </div>

给定 39 的位置（第二行 h1 的开头），我想获取内容：

Title

给定 83 的位置（第 4 行 div 的开头），我想获取内容：

    <div class='anotherdiv'>
    </div>
    <div class='yetanother'>
    </div>

到目前为止，我已经尝试了几种方法。首先，我使用strpos 来定位匹配的结束标记，然后查看起点和结束标记之间是否还有另一个开始标记。如果找到，我会寻找下一个匹配的结束标签。很乱。

然后我尝试搜索下一个匹配的开始标签（标签名称前面带有“

最后，我从指定位置的标签开始，并构建了一个开始标签和结束标签的列表（堆栈）——将标签名称推送到开始标签上，并在匹配时弹出标签名称（如果匹配）结束标签，直到堆栈有一项与起始标签匹配。对于每个操作，我都会跟踪位置，因此我以开始位置（开始标记中 > 之后的字符）和结束位置（结束标记

它会忽略不匹配的结束标签。例如，如果有一个开始 p 标记，然后是一个开始 b 标记，那么它会找到结束 /p 标记而没有结束 >b 标签，它会从列表中删除 b 标签。同样，如果它找到一个不在堆栈中的结束标记，它会忽略它。示例：

<p><b>some text</p></b>

<b> 和 </b> 都被忽略。

这最后一种方法似乎是最好的主意，但我想知道是否有其他人有更好的主意。

我不是在找人来编写代码。我能做到。我正在寻找一个概念/想法来使用。如果我上面的最后一个想法是最好的，我也很想听听。

如果这是个坏主意，或者我在左外野，我也想听听，但如果您能解释为什么 和 提供更好、更理智的方法来解决问题，我将不胜感激去做吧。

我猜我真正在寻找“现实”检查以确保我没有过度复杂化解决方案。

提前致谢！

仕龙

Answer 1

像这样逐个字符地浏览你的字符串怎么样：

假设字符串名为 s。

int counter = 0;
bool simpleQuote = false;
bool doubleQuote = false;

int lastOpeningBraquetPosition = 0;
int lastClosingBraquetPosition = 0;

for (int i = 0; i < s.size(); i++)
{
  char c = s[i];
  if (c == "\"") 
    doubleQuote = !doubleQuote;
  if (c == "'") 
    simpleQuote = !simpleQuote;

  if ((c == "<") && (!doubleQuote) && (!simpleQuote))
  {
    //the car interest us
    counter++;
    //we save the position of the last "<"
    lastOpeningBraquetPosition = i;
  }

  if ((c == ">") && (!doubleQuote) && (!simpleQuote))
  {
    //the car interest us
    counter--;
    if (counter == 0)
    {
       //TODO : take the interesting part between lastClosingBraquetPosition + 1 and lastOpeningBraquetPosition - 1 with check to ensure to be in the string
       return result;
    }
    //we save the position of the last ">"
    lastClosingBraquetPosition = i;
  }
}

我还没有编译该代码，但原理在这里。

您只能在字符串之外通过字符搜索 来查看字符（TODO ：管理 \"） 每次找到 时减少它。您保存最后的 位置以提取有趣的部分。

Answer 2

我通过编写伪解析器解决了我的问题。它真的很基础，从指定位置的标签开始。它遍历字符串，识别每个标签和结束标签。它还监视一个自闭合标签（即。）。对于每个开始标签，它将其压入堆栈，对于每个结束标签，如果它与最后一个开始标签匹配，则将其从堆栈中弹出。当它从堆栈中弹出最后一个匹配的标签时，它已经找到了与起始标签匹配的结束标签。

在工作时，它会跟踪开始标记的结尾和匹配的结束标记的开始。这允许它知道起始标记所包含的字符串的起始位置和结束位置。我添加了一些“智能”来检测和处理不匹配的标签，但总的来说，它就像描述的那样简单。

我正在使用它来解析网页上的信息，以定位和捕获特定数据。例如，我使用它来将数据表转换为数据库记录，作为将手动输入的 html 表转换为数据库表记录的项目的一部分。它似乎相当快，解析 12 列的超过 10k 条记录并在不到 0.1 秒的时间内将数据插入到表中。

我选择这种方法而不是使用完整的 html 或 xml 解析器，因为在许多情况下，起始位置是基于另一个元素之后的元素，而不是能够使用 css 选择器。使用涉及特定 html 的 css 选择器来确定起始位置会更加困难，但使用带有已知起始点的 strpos 来跳过一些与所需元素的选择器匹配的 html 很容易。