HTMLparsing如果不使用正则expression式，如何工作？
我每天都会看到一些问题，询问如何从某个HTMLstring中parsing或提取某些东西，而第一个答案/注释总是“不要使用RegEx来parsingHTML，以免感到愤怒！ （最后一部分有时被省略）。
这对我来说相当困惑，我一直认为一般来说，parsing任何复杂string的最好方法是使用正则expression式。 那么HTMLparsing器如何工作呢？ 它不使用正则expression式来parsing。
使用正则expression式的一个特别的参数是，并不总是有一个parsing的select（比如JavaScript，其中DOMDocument不是一个普遍可用的选项）。 例如，jQuery似乎使用正则expression式来将HTMLstring转换为DOM节点。
不知道是否要CW，这是一个真正的问题，我想回答，而不是真的打算成为一个讨论的线索。
通常通过使用一个记号器。 草案HTML5规范有一个广泛的algorithm来处理“现实世界的HTML”。
那么HTMLparsing器是如何工作的呢？ 不使用正则expression式来parsing吗？
那么，不。
如果你重新回到计算过程的理论，如果你拿一个，或编译器的课程，或类似的东西，你可能会记得，有不同种类的语言和计算模型。 我没有资格详细介绍所有的细节，但是我可以和您一起回顾一些主要观点。
最简单的语言和计算types（为了这些目的）是一种常规语言。 这些可以用正则expression式生成，并用有穷自动机来识别。 基本上，这意味着“parsing”这些语言的string使用状态，而不是辅助内存。 HTML肯定不是一种常规的语言。 如果你仔细想想，标签列表可以任意嵌套。 例如，表格可以包含表格，每个表格可以包含大量的嵌套标签。 使用正则expression式，您可能能够挑选出一对标签，但不能任意嵌套任何东西。
不规则的经典简单语言是正确匹配的括号。 尽可能地尝试，你将永远无法build立一个总能正常工作的正则expression式（或有穷自动机）。 你需要记忆来追踪嵌套深度。
具有内存堆栈的状态机是计算模型的下一个优势。 这被称为下推式自动机，它识别由上下文无关文法产生的语言。 在这里，我们可以识别正确匹配的圆括号 – 实际上，堆栈是它的完美记忆模型。
那么，这是不够的HTML？ 可悲的是，不。 也许对于经过严格validation的XML来说，实际上，所有的标签总是完美地排列起来。 在真实世界的HTML中，您可以轻松find像<b><i>wow!</b></i>这样的片段。 这显然不能嵌套，所以为了正确parsing它，一个堆栈不够强大。
下一级计算是由一般语法生成的语言，并由图灵机识别。 这被普遍认为是最强有力的计算模型 – 一个状态机，具有辅助存储器，其存储器可以在任何地方修改。 这是编程语言可以做的。 这是HTML生活的复杂程度。
用一句话来概括一切：为了parsing一般的HTML，你需要一个真正的编程语言，而不是一个正则expression式。
HTMLparsing的方式与parsing其他语言的方式相同：lexing和parsing。 lexing步骤将单个字符stream分解成有意义的记号。 parsing步骤将使用状态和内存的令牌组装成逻辑上一致的文档，可以对其执行操作。
正则expression式只是parsing器的一种forms。 一个诚实善良的HTMLparsing器将比正则expression式复杂得多，使用recursion下降 ，预测和其他几种技术来正确解释文本。 如果你真的想进入它，你可以看看lex＆yacc和类似的工具。
禁止使用正则expression式进行HTMLparsing应该更正确地写成：“不要使用朴素的正则expression式来parsingHTML …” （以免让人感到愤怒） “…并谨慎处理结果。 对于某些特定的目标，正则expression式可能是完全适合的，但是你需要非常小心地注意到你的正则expression式的局限性，并且要谨慎，以适应你正在parsing的文本的来源（例如，如果它用户input，确实要非常小心）。
parsingHTML是将线性文本转换为树形结构。 正则expression式通常不能处理树结构。 您每次获得下一个标记所需的正则expression式始终在变化。 您可以在parsing器中使用正则expression式，但是每个可能的parsing状态都需要一整套正则expression式。
如果你想有一个100％的解决scheme：你需要编写你自己的自定义代码，逐个字符地遍历HTML，你需要有大量的逻辑来确定你是否应该停止当前节点并启动下一个。
原因是这是有效的HTML：
<ul> <li>One <li>Two <li>Three </ul>
但是这样的：
<ul> <li>One</li> <li>Two</li> <li>Three</li> </ul>
如果你确定“90％的解决scheme”：然后使用XMLparsing器来加载文件是好的。 或者使用Regex（尽pipe如果你是内容的主人，xml会更容易）。
