可能重复：
在 C# 中解析 html 的最佳方法是什么？

我想提取 HTML 文档的结构 - 所以标签比内容更重要。理想情况下，它也能够在某种程度上合理地处理格式错误的 HTML。

有人知道可靠且高效的解析器吗？

许多联系人管理程序都会这样做——你输入一个名字（例如，“John W. Smith”），它会自动在内部将其分解为：

名字： John
中间名： W.
姓氏： Smith

同样，它会计算出诸如“Jane W. Smith 夫人”和“Dr. John Doe, Jr.”之类的东西。也正确（假设您允许在名称中使用“前缀”和“后缀”等字段）。

我认为这是人们想要做的相当普遍的事情......所以问题是......你会怎么做？有一个简单的算法吗？也许是一个正则表达式？

我正在寻求 .NET 解决方案，但我并不挑剔。

更新：我很感激没有涵盖所有边缘案例和文化的简单解决方案......但是为了争论起见，我们假设您需要分片的名称（填写表格 - 例如税收或其他政府表格 - 是您必须在固定字段中输入姓名的一种情况，无论您喜欢与否），但您不一定要强制用户将他们的姓名输入离散字段（更少打字=更容易新手用户）。

您希望程序“猜测”（尽其所能）第一个、中间、最后一个等。如果可以，请查看 Microsoft Outlook 如何为联系人执行此操作 - 它允许您输入姓名，但是如果您需要澄清，可以打开一个额外的小窗口。我会做同样的事情——给用户一个窗口，以防他们想以离散的部分输入名称——但允许在一个框中输入名称并进行涵盖最常见名称的“最佳猜测”。

我想尝试将字符串转换为 Guid，但我不想依赖捕获异常（

• 出于性能原因 - 异常是昂贵的
• 出于可用性原因 - 调试器弹出
• 出于设计原因 - 预期也不例外

换句话说，代码：

不适合。

我会尝试使用正则表达式，但由于 guid 可以用括号包裹、大括号包裹、不包裹，所以很难。

此外，我认为某些 Guid 值无效（？）

更新 1

ChristianK有一个好主意，只捕获FormatException，而不是全部。更改了问题的代码示例以包含建议。

更新 2

为什么要担心抛出的异常？我真的经常期待无效的 GUID 吗？

答案是肯定的。这就是我使用 TryStrToGuid 的原因 - 我期待错误的数据。

示例 1 可以通过将 GUID 附加到文件夹名称来指定命名空间扩展。我可能正在解析文件夹名称，检查最后的. 是一个 GUID。

示例 2我可能正在运行一个频繁使用的 Web 服务器，想要检查一些回发数据的有效性。我不希望无效数据占用比所需资源高 2-3 个数量级的资源。

示例 3我可能正在解析用户输入的搜索表达式。

如果他们输入 GUID，我想专门处理它们（例如专门搜索该对象，或在响应文本中突出显示和格式化该特定搜索词。）

更新 3 - 性能基准

测试转换 10,000 个好的 Guid 和 10,000 个坏的 Guid。

ps 我不应该证明一个问题的合理性。

作为一个宠物项目，我想尝试实现一种我自己设计的基本语言，可以用作网络脚本语言。将 C++ 程序作为 Apache CGI 运行是微不足道的，因此真正的工作在于如何解析包含非代码（HTML/CSS 标记）和服务器端代码的输入文件。

在我本科的编译器课程中，我们使用Flex和Bison为一种简单的语言生成扫描器和解析器。我们得到了一份语法副本，并编写了一个解析器，将简单的语言翻译成虚拟机的简单程序集。flex 扫描器对输入进行标记，并将标记传递给 Bison 解析器。

这与我想做的不同之处在于，就像 PHP 一样，这种语言可以有纯 HTML 标记，而脚本语言可以像下面这样穿插：

我假设按如下方式解析输入文件会很有效，我是否不正确：

1. 扫描输入，直到找到脚本开始标记（'
2. 第二个扫描器标记输入文件的服务器端脚本部分（来自打开标记：''）并将标记传递给解析器，它不需要知道文件中的标记。
3. 控制权返回到继续这种一般模式的第一个扫描仪。

基本上，第一个扫描器只区分标记（直接返回到浏览器未修改）和代码，它被传递给第二个扫描器，第二个扫描器反过来标记代码并将标记传递给解析器。

如果这不是一个可靠的设计模式，PHP 等语言如何有效地处理扫描输入和解析代码？

Ometa是“一种新的面向对象的模式匹配语言”。我之前在 Oz 工具等语言中遇到过模式匹配，用于解析 Lexx/Yacc 或 Pyparsing 等语法。尽管查看示例代码、阅读讨论并与朋友交谈，但我仍然无法真正理解 Ometa 的特别之处（或者至少，为什么有些人认为它如此）。有什么解释吗？

我正在使用 PLY 编写一个 C 解析器，最近遇到了一个问题。这段代码：

是正确的 C 代码，因为 my_type 被定义为之前使用的类型。我通过在解析器中填充类型符号表来处理它，词法分析器使用该表来区分类型和简单标识符。

但是，虽然类型声明规则以 SEMI（';' 标记）结尾，但 PLYmy_type在决定使用第一行完成之前将标记从第二行转移。因此，我没有机会将类型符号表中的更新传递给词法分析器，它会将 my_type 视为标识符而不是类型。

任何修复的想法？

完整代码位于：http ://code.google.com/p/pycparser/source/browse/trunk/src/c_parser.py 不知道如何从中创建一个更小的示例。

编辑：

问题解决了。请参阅下面的解决方案。

设计数学解析器最聪明的方法是什么？我的意思是一个接受数学字符串（如：“2 + 3 / 2 + (2 * 5)”）并返回计算值的函数？很久以前我确实在VB6中写过一个，但它最终变得臃肿而且不是很便携（或者就此而言很聪明......）。一般的想法，伪代码或真实代码表示赞赏。

如何编写一个正则表达式在 python 中使用来分割段落？

一个段落由 2 个换行符 (\n) 定义。但是可以有任意数量的空格/制表符以及换行符，它仍然应该被视为一个段落。

我正在使用 python，因此该解决方案可以使用扩展的 python正则表达式语法。（可以利用(?P...)东西）

例子：

我能提供的最好的方法是：r'[ \t\r\f\v]*\n[ \t\r\f\v]*\n[ \t\r\f\v]*'，即

但这很丑陋。有更好的吗？

编辑：

拒绝的建议：

r'\s*?\n\s*?\n\s*?'-> 这将使示例 2 和 3 失败，因为\s包含\n，因此它将允许超过 2\n秒的段落中断。

我的快速搜索显示了参考实现 ( http://stax.codehaus.org )、Woodstox 实现 ( http://woodstox.codehaus.org ) 和 Sun 的 SJSXP 实现 ( https://sjsxp.dev.java.net /）。

请评论这些的相对优点，并填写我应该考虑的任何其他实现。

我在 Object Pascal 中做一个站点地图生成器，需要一个好的函数或库来模拟 PHP 上的parse_url函数。

有谁知道有什么好的吗？