不同对html标签的正则表达式答案

【问题标题】：Regex for different pair of html tags不同对html标签的正则表达式
【发布时间】：2018-03-07 13:15:02
【问题描述】：

我需要匹配每对 ...  和 ...  的正则表达式来区分聊天对话的各个部分，我收到以下格式的字符串：

<p CLASS='extmsg'>16:30:24 ~ customer@home.com: hello<br>
<p>16:30:14 ~ consultant@company.com: hello to you<br>
<p CLASS='extmsg'>16:30:03 ~ sam.i.am@greeneggs.ham: how are you<br>
<p>03/06/2018 16:29:55 ~ bok.kier@ccc.pl: im fine<br>

我需要它来解析方法。

【问题讨论】：

使用正则表达式进行HTML解析不是recommended...
您需要首先展示一些研究成果

标签： html regex parsing

【解决方案1】：

不要使用正则表达式解析 HTML，使用适当的 XML/HTML 解析器。

理论：

根据编译理论，不能使用基于finite state machine的正则表达式解析HTML。由于 HTML 的分层结构，您需要使用pushdown automaton 并使用YACC 之类的工具来操作LALR 语法。

shell 中的 realLife©®™ 日常工具：

您可以使用以下方法之一：

xmllint

xmlstarlet

saxon-lint（我自己的项目）

查看：Using regular expressions with HTML tags

示例：

xmllint --html --xpath '//p[@CLASS="extmsg"]/text()' file

【讨论】：

EG：用户想出一种方法将“
”放入他们的消息中；这会破坏正则表达式。

【解决方案2】：

根据 Giles Quenot 的回答，正则表达式不适合这种情况。使用适当的解析器是执行此操作的更好方法。如果您确实收到了所示格式的消息：

每行一条消息
每条消息都以“
每条消息都以“
”结尾

一个更简单的想法可能是字符串匹配行的开头。我不知道您使用的是什么语言，但 javascript 中的示例可能是：

var inputString = "" // From wherever you get your data
var lines = inputString.split("\n")
for (i = 0; i < lines.length; i++) {
    var line = lines[i]
    if (line.indexOf("<p CLASS='extmsg'>") == 0) {
        console.log("Customer just said: " + line)
    } else {
        console.log("Representative just said: " + line)
    }
}

您也可以删除 和  标签，因为您已经知道它们的长度。

注意如果数据格式发生变化（例如，设计师进入 CSS 文件并开始使用 BEM notation，将 extmsg 更改为 message--external，并添加 @987654327 @ 代表的消息）。就像您使用正则表达式或解析器一样。处理此问题的最佳方法是让提供数据的人为您提供适合此信息的 API。

【讨论】：