html - 在C中解析XML的算法

Question

是否有任何已知的算法可以从 xml txt 文件中检测和分离标签，并将内容存储到另一个具有匹配标签详细信息的文件中？

我尝试对其进行硬编码，但它不适用于所有标签。“t”...“/t”等标签有效，但“a href="http://example.com"""/a"等标签无效。

void get_output(){

    int i=0;
    int j=0;
    int k=0;
    int l=0;
    int m=0;
    int n=0;

    printf("\n");

    for(i=0; i<1024; i++){
        k=0;
        for(j=0; j<strlen(tags[i]); j++){

            if(tags[i][j] == '<'||tags[i][j]=='>'){
                k++;
                if(k == 4){
                    for(l = 0; tags[i][l+1] != '>'; l++){
                        printf("%c",tolower(tags[i][l+1]));
                    }

                    printf(": ");

                    for(; tags[i][l+2] != '<'; l++){
                        printf("%c", tags[i][l+2]);
                    }

                    printf("\n");
                }   
            }
        }
    }
}

我也尽量避免使用第 3 方库。

Answer 1

您的问题询问的是 XML，但您已将其标记为 HTML – 请注意，它们是完全不同的野兽。

就其语法而言，XML 没有什么特别之处，您可以像解析任何其他语法一样解析它；没有特殊的算法。

那就是你会使用像 flex 这样的词法分析器识别 token 流，例如 < , </ , = 、字符串、引号等，然后是解析器生成器，例如 bison 写下语法规则，并在其之上编写代码，将格式正确的语法转换为有用的数据结构(也就是说，当您的程序发现这样的元素开始标记时，它实际上做什么作为 <a href='urn:foo'> ？)。这是完全可行的，但这是一个非常重要的项目。

作为其中的一部分，您将与 XML spec 建立非常的亲密关系，并且建议您组装大量测试用例，越病态越好。该规范中有很多细节和细微之处。

几个月前，我正在从事一个旨在提取 XML 文件内容子集的项目。它不是文件的完整解析，但我和你一样，希望保持简单并避免使用第三方库。经过大约一周的扎实工作，并建立在基于 yacc/bison 的解析器的大量先前经验之上，我意识到我实际上最终实现了大部分通用 XML 解析器，这显然最终会相当健壮和功能，但它仍然缺少一些解析的角落案例，并且将是乏味的抛光。我决定使用 expat这毕竟不是一个坏主意，所以放弃了我的代码，并在这项工作的基础上取得了显着更快的进展。

请注意，解析格式良好的 XML 与解析(通常非常格式错误的)HTML 是截然不同的命题。因为 HTML 几乎不符合语法，所以它的解析器必须更加特别；野牛生成的解析器可能会遇到相当大的困难，除非您在智能错误恢复方面付出一些努力。您可能想查看基于 C 的 Markdown 或 Wiki 解析器以获取想法。或者尝试使用谷歌搜索 tagsoup c库建议(有一个著名的 Java 解析器，用于野生 HTML，称为 TagSoup ，其他语言中的类似东西往往会大声疾呼)。

如果在没有第三方库的情况下这样做是一项智力练习，那么它将是一个非常有启发性的练习，并且是一个雄心勃勃的第一个解析器项目。如果没有，那么您最好利用现有库中的大量努力。