提问人：yatakaka 提问时间：12/20/2011 更新时间：6/16/2012 访问量：29291
为什么使用正则表达式解析 XML 是个坏主意？[已结束]
Why is it such a bad idea to parse XML with regex? [closed]
问：
就目前而言，这个问题不太适合我们的问答格式。我们希望答案得到事实、参考资料或专业知识的支持，但这个问题可能会引发辩论、争论、民意调查或广泛讨论。如果您认为这个问题可以改进并可能重新打开，请访问帮助中心寻求指导。
11年前关闭。
我刚刚回顾了我之前发表的一篇文章，并注意到很多人建议我不使用正则表达式来解析 xml。在这种情况下，xml 相对简单，正则表达式不会造成任何问题。我还解析了许多其他代码格式，因此为了统一起见，这是有道理的。但我很好奇这在其他情况下会如何构成问题。这只是一个“不要重新发明轮子”类型的问题吗？
答：
50赞
Steve Wortham
12/20/2011
#1
真正的麻烦是嵌套标签。嵌套标签很难用正则表达式处理。平衡匹配是可能的，但这仅在 .NET 中可用，也许还有其他几种风格。但是，即使具有平衡匹配的强大功能，一个位置不当的注释也可能会使正则表达式失去正则表达式。
例如，这是一个难以解析的问题......
<div>
<div id="parse-this">
<!-- oops</div> -->
try to get this value with regex
</div>
</div>
你可以用正则表达式追逐这样的边缘情况几个小时，也许能找到一个解决方案。但实际上，当有专门的 XML、XHTML 和 HTML 解析器可以更可靠、更高效地完成工作时，这是没有意义的。
评论
1赞
binki
10/30/2014
你应该加入一些数字字符实体或 DTD 违规实体，只是为了让它更难：-p。
9赞
stema
12/20/2011
#2
这在 SO 上已经讨论过很多次了。例如，参见
您能否举例说明为什么很难使用正则表达式解析 XML 和 HTML？
为什么不能使用正则表达式来解析 HTML/XML：通俗易懂的正式解释
只需点击屏幕右侧的链接即可获得更多答案。
我的结论：
很简单，因为正则表达式不是解析器，而是查找模式的工具。
如果你想在 （ht|x）ml 文件中找到一个非常具体的模式，请继续，正则表达式是完美的选择。
但是，如果你在每个 Foo 标签中搜索一些东西，这些东西可能具有不同顺序的属性，可以嵌套，可以格式错误（但仍然有效），那么请使用解析器，因为这不再是模式匹配。
评论
0赞
AK_
10/23/2013
Xpath 有点像 XML 的正则表达式。问题在于正则表达式不理解递归。
2赞
stema
10/23/2013
@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。我怀疑你是否理解了我的答案。问题不在于正则表达式不理解递归，而是它们理解：参见 regular-expression.info。问题在于 （ht|x）ml 可能看起来如此不同，但结果相同。通过大量的努力，你可以用正则表达式解析（ht|x）ml，但现有的解析器使用起来要简单得多
0赞
AK_
10/24/2013
1.您所指的是扩展。这些不是 ComSci 意义上的正则表达式。2. 请阅读本文和背景资料。制定一个不受正则表达式影响的 XML 文档很容易。3. XPath 和 Xsd ，在实践中可以用于一些可以用正则表达式完成的事情，比如验证，以及在文档中查找东西。它们在....修辞意义：-）
0赞
stema
10/24/2013
@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，在这里 99,99% 的问题中，它也不是主题。我完全同意你的观点 2。这就是我一直想说的。（也许我做得不好：-（ ）
6赞
Michael Kay
12/21/2011
#3
XML 不是一种常规语言（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。你可能在99%的时间里都成功了，但随后有人会找到一种方法来编写让你失望的XML。
如果你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来说，事实并非如此。
评论
2赞
Steve Wortham
12/21/2011
正则表达式最初被设计为仅处理正则语言，但现代实现包括环绕、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的语言......但对于像XML或html这样复杂的东西来说，这仍然不够。
3赞
Michael Kay
12/24/2011
我从未见过尝试使用不会破坏某些内容的正则表达式来解析 XML（例如，在注释或 CDATA 部分中适当地类似于 XML 的东西）。因此，使用正则表达式的唯一可接受的情况是，如果它并不总是有效，您不介意。
0赞
Steve Wortham
12/24/2011
我同意。我只想提一下整个常规语言的事情，因为我曾经提出过同样的论点，后来意识到我的错误。
0赞
amcgregor
6/17/2019
孤立的自然语言勉强够规律。即使是在理论上可以隔离的东西，如“标签拆分”或“搜索词拆分”。以这两个为例：和分别。想到我为这些可憎的东西写了一个生成器，我有点吐了。8^3而这对于报价余额来说仍然（极其）脆弱！r'[\s \t,]*("[^"]+"|\'[^\']+\'|[^ \t,]+)[ \t,]*'r'[\s \t]*([+-]?"[^"]+"|\'[^\']+\'|[^ \t]+)[ \t]*'
评论