解析 HTML - 在这种情况下，正则表达式是唯一的选择吗？

Question

用户将提供 HTML，它可能是有效的或无效的（格式错误）。我需要能够确定以下内容：

1. 正文中是否有样式标签
2. 是否存在具有使用宽度或背景图像的样式属性的 div。

我尝试过使用 DOMDocument 类，但它只能用 xPath 做 1 而不能做 2。

我也试过simple_html_dom，只能做1，不能做2。

你认为我只使用正则表达式是个好主意还是有什么我没有想到的？

Answer 1

Regex 是 NEVER（同样：NEVER！）解析 HTML 的解决方案！

正则表达式可用于 Type-3 Chomsky 语言（常规语言）。
然而，HTML 是一种 Type-2 Chomsky 语言（上下文无关语言）。

如果仍有疑问：http://en.wikipedia.org/wiki/Chomsky_hierarchy#The_hierarchy

要安全地使用 type-2 语言，您需要一个上下文无关的语言解析器。 您可能想尝试使用 LL 解析器或递归下降解析器，例如

---

话虽这么说：

将body 与style 匹配：

<body\s+[^>]*style\s*=\s*["'].*?[^"']*?["'][^>]*>

在style 中匹配div 和width|background-image：

<div\s+[^>]*style\s*=\s*["'][^"']*?(width|background-image)[^"']*?["'][^>]*>

他们都错误匹配所说的标签如果被注释掉（这就是为什么我说不可能）。

Answer 2

XPath 可以同时执行 (1) 和 (2)：

测试body中是否有style标签：

//body//style

使用width 或background-image 测试是否有带有样式属性的div：

//div[contains(@style,'width:') or contains(@style,'background-image:')]

而且，正如您在 cmets 中好奇的那样，查看样式标签是否包含 a:hover 或 font-size：

//style[contains(text(),'a:hover') or contains(text(),'font-size:')]

Answer 3

您可以使用 Tidy 清理 HTML，然后将其解析为 XML。然后很容易使用 xpath 来查找节点。试试这样的：

$tidyConfig = array(
    "add-xml-decl" => true,
    "output-xml" => true,
    "numeric-entities" => true
);
$tidy = new tidy();
$tidy->parseString($html, $tidyConfig, "utf8");
$tidy->cleanRepair();
$xml = new SimpleXMLElement($tidy);
$matches = $xml->xpath('style');

至于解析样式属性以查找特定选择器，我认为您必须手动执行此操作。如果需要，您可以使用CSS parser。

Answer 4

It's rarely a good idea to parse HTML with regex。但是，任何好的 HTML 解析器都能够找到所有带有 style 标签的 divs，一旦你完成了，正则表达式对于解析样式属性很有用。

然而，复杂（但有效）的 CSS 仍然有可能破坏大多数正则表达式，因此这里真正持久的东西是 HTML 解析器与 CSS 解析器的结合。不过，这可能有点矫枉过正。像 \bwidth\s*:\s*(\w+) 这样的正则表达式可能会捕获任何 width 值，除非有人在积极地试图愚弄它。

编辑：

一个好的 HTML 解析器不会阻塞任何不会阻塞浏览器的东西。我不再是 PHP 人了，但我听说过一些关于 HTML Purifier 的好消息。