初心者からhtmlパーサーを作成しようと考えていますか？

Question

私のスキルを練習するには、htmlパーサーを書くつもりです。私が念頭に置いている考え：

• 正規表現を使ってトークン化したいものを定義します。
• 一部のhtmlを文字列として受け入れます。
• ループスルーhtml文字列。
• コンテンツや位置などのトークンに関する情報をオブジェクトとして保存します。
• トークンに別のトークンがある場合、そのトークンは親トークンの子オブジェクトです。

• オブジェクトグラフを終了します。

• 適切なゲッターとセッターを作成します。

これは意味がありますか？

Answer 1

正規表現は、このような大量のHTML解析には適していません。 regular expressions are a tool that is insufficiently sophisticated to understand the constructs employed by HTML。

state machineまたはtokeniserベースの実装を使用することをお勧めします。

HTML5 specificationでHTML5の解析の詳細を読むこともできます。