c++ - 在 C++ 中使用 Boost 正则表达式缩小 HTML

Question

问题

如何使用 C++ 压缩 HTML？

资源

外部库可能是答案，但我更希望改进我当前的代码。尽管我很期待其他可能性。

当前代码

这是我对 the following answer 的 C++ 解释.

我必须从原始帖子更改的唯一部分是顶部的这部分:“(?ix)”
...和一些逃生标志

#include <boost/regex.hpp>
void minifyhtml(string* s) {
  boost::regex nowhitespace(
    "(?ix)"
    "(?>"           // Match all whitespans other than single space.
    "[^\\S ]\\s*"   // Either one [\t\r\n\f\v] and zero or more ws,
    "| \\s{2,}"     // or two or more consecutive-any-whitespace.
    ")"             // Note: The remaining regex consumes no text at all...
    "(?="           // Ensure we are not in a blacklist tag.
    "[^<]*+"        // Either zero or more non-"<" {normal*}
    "(?:"           // Begin {(special normal*)*} construct
    "<"             // or a < starting a non-blacklist tag.
    "(?!/?(?:textarea|pre|script)\\b)"
    "[^<]*+"        // more non-"<" {normal*}
    ")*+"           // Finish "unrolling-the-loop"
    "(?:"           // Begin alternation group.
    "<"             // Either a blacklist start tag.
    "(?>textarea|pre|script)\\b"
    "| \\z"         // or end of file.
    ")"             // End alternation group.
    ")"             // If we made it here, we are not in a blacklist tag.
  );
  
  // @todo Don't remove conditional html comments
  boost::regex nocomments("<!--(.*)-->");
  
  *s = boost::regex_replace(*s, nowhitespace, " ");
  *s = boost::regex_replace(*s, nocomments, "");
}

只有第一个正则表达式来自原始帖子，另一个正则表达式是我正在处理的，应该被认为远未完成。不过，它应该能很好地说明我要完成的工作。

Answer 1

正则表达式是一个强大的工具，但我认为在这种情况下使用它们不是一个好主意。例如，您提供的正则表达式是维护噩梦。通过查看此正则表达式，您无法快速理解它到底应该匹配什么。

您需要一个 html 解析器来标记输入文件，或者允许您以流或对象树的形式访问标记。基本上读取标记，丢弃不需要的标记和属性，然后将剩余的写入输出。与尝试使用正则表达式解决问题相比，使用类似这样的方法可以让您更快地开发解决方案。

我认为您可以使用 xml 解析器，或者您可以搜索支持 html 的 xml 解析器。

在 C++ 中，libxml(可能具有 HTML 支持模块)、Qt 4、tinyxml 以及 libstrophe 使用某种可以工作的 xml 解析器。

请注意，C++(尤其是 C++03)可能不是此类程序的最佳语言。虽然我非常不喜欢 python，但 python 有“Beautiful Soup”模块，可以很好地解决这类问题。

Qt 4 可能会工作，因为它提供了合适的 unicode 字符串类型(如果您要解析 html，您将需要它)。