我看到人们经常犯的一个错误是,一遍又一遍地尝试使用正则表达式解析XML或HTML。以下是解析XML和HTML困难的原因之一:
人们希望将文件视为一系列行,但这是有效的:
<tag
attr="5"
/>
人们希望将<或<tag视为标签的开始,但是在现实中存在这样的情况:
<img src="imgtag.gif" alt="<img>" />
人们通常希望将开始标签与结束标签匹配,但XML和HTML允许标签包含自身(传统的正则表达式完全无法处理此类情况):
<span id="outer"><span id="inner">foo</span></span>
人们经常希望匹配文档内容(例如著名的“在给定页面上查找所有电话号码”的问题),但数据可能会被标记(即使在查看时它看起来很正常):
<span class="phonenum">(<span class="area code">703</span>)
<span class="prefix">348</span>-<span class="linenum">3020</span></span>
评论可能包含格式不良或不完整的标签:
<a href="foo">foo</a>
<!-- FIXME:
<a href="
-->
<a href="bar">bar</a>
你还知道哪些陷阱?