regex - 创建我自己的 html 解析器

Question

我知道这篇文章，我已经阅读了它，但我仍然想了解 html 解析器（可能）使用什么语言？我的意思是，它是用正则表达式解析整个源代码还是使用普通的编程语言，如 c# 或 python？

除了上面的问题，你能否简要介绍一下我应该从哪里开始创建自己的解析器？（我想为我的个人需求创建一个 html 解析器 :)

Answer 1

Python、Java 和 Perl 都是学习编写 HTML 解析器的好语言。Perl 非常适合正则表达式，但这不是解析器所需要的。用 Python 或 Java 编写 OO 程序会更愉快一些。C/C++/C# 等也很常见，用于非常快速的解析器。但是，作为学习练习，我推荐使用 Python 或 Java，以便您可以将您的工作与标准解析器进行比较。

Answer 2

标准方法是使用一些 Yacc/Lex Duet；第二个编写将代码拆分为令牌的代码，首先构建一个将令牌流转换为某种所需结构的代码。

还有一些更诱人的选择，Ragel。在这里，您只需编写一个能够匹配整个文件的大的类似正则表达式的结构，并定义一个在匹配某个子模式时将触发的钩子。