面向html标签的正则表达式
日期：2010-07-05 浏览次数：20610 次
如何构建一种面向 html 标签的正则表达式语法？
在处理字符串的过程中，正则表达式有着不可替代的位置。现在的计算机高级语言中都有相应的正则表达式支持包。
如果我们把一个网页中 html 代码当作一个有结构的字符串，那么如何用一种类似正则表达式的方式来提取想要的html标签(tags)呢？
这里先不考虑如何实现，而先考虑如何用一种类正则表达式的方式来描述html标签。要取得一个html标签(tag)，需要知道该标签的2类属性：
1、标签的位置；
2、标签本身的属性；
比如 在下面的html网页中：
<html>
<body>
<div id="BodyWrapper" class="wrapper">
<div id="LeftWrapper" class="wrapper">
</div>
<div id="RightWrapper" class="wrapper">
<div class="column">
<div>
<div class="column">
<div>
</div>
</div>
</body>
</html>
如果想提取上面html代码中 class 是 column的第二个 div 标签，那么需要我指定该div的 id 和 class 和 位置信息 。现在的问题是：如何设计一个满足上述要求的表达语法呢？
比如：
gettag:div{tag-name:div;tag-position:2;tag-class:column;tag-id:; tag-content:;}
tag-parent{tag-name:div;tag-position:2;tag-class:column;tag-id:; tag-content:;}
tag-child{......}
上面这是一种 易于理解的描述式的语法。
或者类似 python的语法：
gettag:div
tag-name:
tag-id:
tag-position:2
tag-class:column
tag-content:
tag-parent:
tag-name:
tag-id:
tag-position:2
tag-class:column
tag-content:
tag-child:
tag-type:table
不知道大家有没有更适合的语法表现形式。只要能合理的设计这个表达语法，那么后继的工作就好做了。这样做的最终目的是：程序员可以用这种表达式解析html代码，就像处理普通的字符串那样的方便。
希望大家参与，多出主意，我会根据大家的反馈，完善这个语法，并做一个基于这个语法的实现。
参考：
关于正则表达式的基本介绍可以看这里：
http://www.webjx.com/htmldata/2006-03-16/1142469074.html
http://www.webjx.com/htmldata/2006-03-16/1142468929.html
正则表达式最早是由数学家Stephen Kleene于1956年提出，他是在对自然语言的递增研究成果的基础上提出来的。具有完整语法的正则表达式使用在字符的格式匹配方面上，后来被应用到熔融信息技术领域。自从那时起，正则表达式经过几个时期的发展，现在的标准已经被ISO(国际标准组织)批准和被Open Group组织认定。
正则表达式并非一门专用语言，但它可用于在一个文件或字符里查找和替代文本的一种标准。它具有两种标准：基本的正则表达式(BRE)，扩展的正则表达式(ERE)。ERE包括BRE功能和另外其它的概念。
许多程序中都使用了正则表达式，包括xsh,egrep,sed,vi以及在UNIX平台下的程序。它们可以被很多语言采纳，如HTML 和XML，这些采纳通常只是整个标准的一个子集。
