xml的正则表达式不起作用答案

【问题标题】：regular expression for xml not workingxml的正则表达式不起作用
【发布时间】：2013-07-01 15:40:19
【问题描述】：

我正在尝试编写一个正则表达式来匹配一个 xml 文档。我没有立即使用 xml 解析器的原因是因为该文件可能包含多个 xml 文件（格式是否正确），所以我想在解析之前删除格式不正确的文件。

xml结构：

<company>
    .....
    <Employees>
    .......
    </Employees>
</company>

代码

    final String xmlString = "...";
    final List<String> data = new ArrayList<String>();
    try
    {
        final Pattern pattern = Pattern.compile("<company>(.+?)</company>", Pattern.DOTALL);
        final Matcher matcher = pattern.matcher(xmlString);
        while (matcher.find())
        {
            final Pattern pattern1 = Pattern.compile("<Employees>(.+?)</Employees>", Pattern.DOTALL);// "+?"
            final Matcher matcher1 = pattern1.matcher(matcher.group(1));
            if (matcher1.find())
            {
                data.add(matcher1.group(1));
            }
        }
    }
    catch (final Exception e)
    {

    }

如果 xml 字符串包含一个格式正确或格式不正确的 xml 字符串，这可以正常工作。但是当您有一个格式不正确的 xml 后跟格式正确的 xml 时，这不起作用。

<company>
    <Employees>

   </Employees>
<company>
    .....
    <Employees>
    .......
    </Employees>
</company>

在这种情况下，它返回整个字符串而不是格式良好的 xml。

请帮忙谢谢！！

【问题讨论】：

呃……不，你做错了。验证您的 XML 在解析它之前。
你的readBuilder 是什么？不应该是xmlString吗？
您绝对需要验证您的 RegEx 实际上是正确的！请参阅this awesome tool 来完成此操作。另请记住，在某些情况下，您需要使用 \. 转义特殊字符
是的 readBuilder 是 xmlString。已更新。
如果格式不正确，您应该拒绝整个输入。 Trying to validate/parse XML (or HTML) with regex will fail，尤其是格式错误的 XML。

标签： java xml regex

【解决方案1】：

用一个正则表达式来做这件事永远行不通。

假设开始和结束标记出现在不同的行上，您需要一次处理一行 XML，跟踪您所看到的内容并缓冲输入，直到您识别出完整的有效子文档。

伪代码：

buffer = ""
while (line = read_input)
{
    if tag=="<company>"
    {
        buffer = "" // discard whatever we have seen since it didn't end with </company>
        buffer += line
    }
    else if tag=="</company>"
    {
        buffer += line
        write buffer
        buffer = ""
    }
    else
        buffer += line
}

这是解决问题的一般思路...细节可以改进（留作练习）。

【讨论】：

听完这里的回复后，我也在使用相同的模式。
循环遍历字符串，直到找到结束标签，然后返回字符串，直到找到开始标签。同样做，直到我找到所有数据。

【解决方案2】：

您正在解析一种与 XML 相似但又不完全相同的语言。

因此，您需要做的第一件事就是指定该语言的语法：您的解析器将接受哪些结构？

然后你需要编写你的解析器。几乎可以肯定，您的语言的语法将是递归的，这意味着它将超出正则表达式的解析能力。您或许可以使用 JavaCC 等工具编写解析器。

但是你需要做一些阅读。如果您尝试使用正则表达式来完成这项工作，这表明您不了解您正在解决的问题背后的基本计算机科学。如果您是一个聪明的黑客，您可能能够敲出适用于大多数输入文档的东西，但除非您理解理论并应用它，否则它总是有在下一个文档中失败的风险。

【讨论】：