java - 用于基于正则表达式的 XML 解析的分隔符？

Question

首先，我非常清楚尝试手写 XML 解析器是一个糟糕的主意，并且 ZA̡͊͠͝LGΌ IS̯͈͕̹̘̱ͮ̂̂ TO͇̹̺ͅƝ̴ş̳ TH̘Ë͖́̉ ͠P̯͍̭O̚​N̐Y̡ H̸̡̪̯ͨ ͊̽̅̾̎ş̬̩̾͛ͪ̈́̀́͘ ̶̧̨̱̹̭̯ͧ̾ͬC̷̙̲̝͖ͭ̏ͥͮ͟Oͮ͏̮̪̝͍M̲̖͊̒ͪͩͬ̚̚͜ş̴̟̟͙̞ͩ ͌͝S̨̥̫͎̭ͯ̿̔̀ͅ等等。

也就是说，我有一个任务，我应该抓取一个网页，去掉标签(处理<p>和<a href>有点不同)，并显示漂亮的、无标签的文本。我不允许使用 org.xml.sax 包或类似的东西。

我们类还没学过正则表达式，大部分同学都在念叨着String.indexOf()的邪恶咒语。 。对我来说，破解基于事件的 {X,HT}ML 解析器似乎更容易(更不用说更好)。

所以我有一个 Scanner对于网页流，并具有以下内容(为简洁起见，删除了一些细节):

stream.useDelimiter("\r?\n|\r"); // Use platform-independent newlines
                                 //as delimiter
//                 1         2      3   4      5     6          7    8    9   10
String tagRE = "([^<>]*?)(<!?\\s*)(/?)(\\s*)(\\w*)(\\s*[^<>]*?)(/?)(\\s*)(>)([^<>]*)";
//(Reluctant-anything) < whitespace optional-/ whitespace (word) whitespace
//reluctant-anything > (greedy-anything)

fireOpenFileEvent();
Pattern tagPat = Pattern.compile(tagRE);
while(stream.hasNextLine())
{
    if(stream.hasNext(tagPat))
    {
        String toParse = stream.next(tagPat);
        Matcher m = tagPat.matcher(toParse);
        if(! m.matches()) System.err.println("Impossible non-match!");

        fireTextEvent(m.group(1));
        String tag = m.group(5);
        if(! m.group(7).equals("")) //Self-closing tag
        {
            fireTagEvent(new XMLElement(tag, false));
            fireTagEvent(new XMLElement(tag, true));
        }
        else
        {
            fireTagEvent(new XMLElement(tag, m.group(3).equals("/")));
        }
        fireTextEvent(m.group(10));
    }
    else //No tags (regex doesn't match). Just plain text
    {
        fireTextEvent(stream.nextLine);
    }
}
fireEOFEvent();

这在许多情况下都非常有效，除了一种情况——当一行上有多个标签时。我真的希望Scanner不会将事物分解为 token - 并且调用 next(pattern)为了匹配，会根据需要消耗掉尽可能多的流。因此，如果一行是 <b>Hello World!</b> ，它将匹配 <b>Hello World!在一次迭代中，然后 </b>下一次。相反，它一次处理一行。由于整行与模式不匹配，因此它由 else 子句处理。并且没有标签被剥离。

那么最好的方法是什么？我可以使用某种神奇的分隔符吗？我应该让正则表达式匹配任何带有标签的内容，砍掉第一个标签，然后递归处理字符串的其余部分吗？我应该尝试一个巨大的 hack，并将每个“<”替换为“\n<”吗？我是不是一般都走错了路？

提前致谢。

Answer 1

当您调用 next(Pattern) 方法时，您已经告诉扫描器下一个标记是下一个分隔符之前的所有内容；唯一的问题是， token 与模式匹配吗？这与其他 nextXXX() 方法一致(例如，如果下一个标记看起来不像 int，则 nextInt() 会失败)，但是每个人都期望 next(Pattern) 以不同的方式工作。

我认为您正在寻找的方法是 findWithinHorizo​​n();它忽略分隔符并只查找下一个匹配项，与 Matcher 的 find() 方法相同。试试这个:扔掉所有 hasNextLine()、hasNext(Pattern) 东西并使用这个框架:

String lastHit = stream.findWithinHorizon(tagRE, 0);  // always use '0'
while (lastHit != null)
{
    MatchResult lastMatch = stream.match();

    // ...

    lastHit = stream.findWithinHorizon(tagRE, 0);
}

填写事件触发代码，根据需要调整正则表达式，但不要使用 Scanner 的任何其他方法(除了打开和关闭流之外)。当您尝试做任何复杂的事情时，大多数 Scanner 的 API 似乎都会妨碍您。

扫描仪的 API 可能臃肿且不直观，但它有一个非常有用的功能:以这种方式使用，它将继续从流中读取，不仅直到找到匹配项，而且直到确定不再有 可以从相同的起始位置进行匹配。换句话说，它的工作方式就像 Matcher 的 find() 方法处理静态字符串一样。在我所知道的所有其他正则表达式风格中，只有 Boost提供类似的东西。