为啥用正则表达式解析 XML 是个坏主意？ [关闭]

Posted 2023-02-16

【中文标题】为啥用正则表达式解析 XML 是个坏主意？ [关闭]

【英文标题】：Why is it such a bad idea to parse XML with regex? [closed]为什么用正则表达式解析 XML 是个坏主意？ [关闭]

【发布时间】：2012-01-24 12:16:54

【问题描述】：

我刚刚回顾了我之前的一篇文章，发现很多人建议我不要使用 Regex 来解析 xml。在那种情况下，xml 相对简单，并且 Regex 没有造成任何问题。我还解析了许多其他代码格式，所以为了统一起见，这是有道理的。但我很好奇这在其他情况下会如何造成问题。这只是“不要重新发明***”类型的问题吗？

【问题讨论】：

@Michael 正在等待链接。

您可以使用正则表达式从 XML 的小型、可预测、受限的 sn-ps 中提取信息位，没问题，但正则表达式不适用于解析整个 XML .这就像用圆头锤剥橘子一样。

这其实是一个很好的问题——最好在这里有一个明确的答案，只要有关于使用正则表达式解析 XML 的问题，都可以参考...

这个答案是关于解析 html，但仍然很有见地：***.com/questions/4231382/…

最佳答案是，***.com/a/1732454/135078（当心 Zalgo）

【参考方案1】：

真正的麻烦在于嵌套标签。嵌套标签很难用正则表达式处理。 balanced matching 可以做到这一点，但这仅适用于 .NET 和其他几种风格。但即使有平衡匹配的力量，位置不当的注释也可能会破坏正则表达式。

例如，这是一个很难解析的...

<div>
    <div id="parse-this">
        <!-- oops</div> -->
        try to get this value with regex
    </div>
</div>

您可能会使用正则表达式数小时追逐这样的边缘情况，也许会找到解决方案。但实际上，如果有专门的 XML、XHTML 和 HTML 解析器可以更可靠、更高效地完成这项工作，那是没有意义的。

【讨论】：

你应该加入一些数字字符实体或 DTD 阻碍实体，以使其更难：-p。

【参考方案2】：

XML 不是常规语言（这是一个技术术语），因此您永远无法使用正则表达式正确解析它。您可能 99% 的时间都成功了，但随后有人会找到一种编写 XML 的方法，让您大吃一惊。

如果您正在编写某种屏幕抓取工具，那么 99% 的成功率可能就足够了。对于大多数应用程序，它不是。

【讨论】：

正则表达式最初设计用于仅处理正则语言，但现代实现包括环视、反向引用，有时还包括平衡匹配。这使您可以冒险使用稍微复杂一点的语言……但对于像 XML 或 html 这样复杂的东西来说，这仍然不够。

我从未见过使用不会破坏某些内容的正则表达式解析 XML 的尝试（例如，在评论或 CDATA 部分中适当类似于 XML 的内容）。因此，使用正则表达式的唯一可接受的情况是您不介意它并不总是有效。

我同意。我只想提整个正则语言的事情，因为我曾经提出过同样的论点，后来才意识到我的错误。

孤立的自然语言几乎不够规则。即使是theoretically isolatable as "tag split" or "search term split"。以这两个为例：分别为r'[\s \t,]*("[^"]+"|\'[^\']+\'|[^ \t,]+)[ \t,]*' 和r'[\s \t]*([+-]?"[^"]+"|\'[^\']+\'|[^ \t]+)[ \t]*'。想到我为这些可憎的东西写了一个生成器，我嘴里吐了一点。 ;^P 而且这仍然（非常）脆弱的报价余额！

【参考方案3】：

这已经在 SO 上讨论过很多次了。参见例如

Can you provide some examples of why it is hard to parse XML and HTML with a regex?

Why it's not possible to use regex to parse HTML/XML: a formal explanation in layman's terms

只需点击屏幕右侧的链接即可获得更多答案。

我的结论：

简单，因为正则表达式不是解析器，它是一个查找模式的工具。

如果您想在 (ht|x)ml 文件中找到一个非常具体的模式，请继续，正则表达式非常适合。

但是，如果您要在每个 Foo 标记中搜索某些内容，这些内容可能具有不同顺序的属性、可以嵌套、格式错误（并且仍然有效），那么请使用解析器，因为那不再是模式匹配了.

【讨论】：

Xpath 是一种用于 XML 的正则表达式。问题是正则表达式不理解递归。

@AK_ XPath 不是一种正则表达式。 XPath 是一种用于从 XML 文档中选择节点的查询语言。这与正则表达式无关。我怀疑你是否理解我的回答。问题不在于正则表达式不理解递归，而是：see regular-expression.info。问题是 (ht|x)ml 看起来如此不同，但结果相同。费了很大力气you can parse (ht|x)ml with regex，但是现有的解析器使用起来要简单得多

1.你指的是扩展。在 ComSci 的意义上，这些不是正则表达式。 2. 请阅读this 和背景资料。很容易制定不受正则表达式影响的 xml 文档。 3. XPath 和 Xsd 可以在实践中用于一些可以用正则表达式完成的事情，比如验证，以及在文档中查找内容。它们在......修辞意义上是相似的:-)

@AK_，我说的是当今编程语言中使用的正则表达式，而不是乔姆斯基层次结构定义的常规语言。据我了解，自从引入反向引用以来，正则表达式不再是常规的，但这不是我的主题，而且这里 99,99% 的问题也不是主题。我完全同意你的第 2 点。这就是我一直想说的。 （也许我做得不好：-（）