我从头开始创建 html 解析器的想法是否可行？

Question

为了练习我的技能，我准备编写一个 html 解析器。我的想法：

• 通过正则表达式定义我想要标记的内容。
• 接受一些 html 作为字符串。
• 循环遍历 html 字符串。
• 将有关令牌的信息（例如内容和位置）保存为对象。
• 如果令牌有另一个令牌，则该令牌是父令牌的子对象。

• 完成对象图。

• 创建适当的 getter 和 setter。

你觉得这有意义吗？

Answer 1

正则表达式不适合像这样的繁重的 HTML 解析； regular expressions are a tool that is insufficiently sophisticated to understand the constructs employed by HTML.

最好的办法是使用基于state machine 或tokeniser 的实现。

您还可以在HTML5 specification 中阅读有关解析 HTML5 的更多信息。