正则表达式解析http头及html

最近需要自己实现解析http协议，获取html标签内容等操作。感觉正则表达式基本能够完成这个任务，不过我对正则表达式的掌握还停留在这个水平：

不得已，先提升一下对正则表达式的掌控吧。由于用的是deelx，所有首先就是DEELX 正则表达式语法，看了之后觉得有所顿悟，可以理解<(?[\w]+)[^>]*?>((?<\k[^>]*>)|>(?<-Nested>)|.*?)*>这种匹配标签的了。不过仔细想想觉得这个东西有bug：注释里的标签会干扰匹配。这时脑子里有两个小人开始了讨论。一个说，把注释改了再匹配；一个说，自己解析吧。被他俩吵的烦了，我觉得把他俩都打死，哥要再了解下正则表达式，我总觉得它能解决这个问题。先弄一个精通正则表达式.pdf看看，虽然感觉这本书不太适合我，不过至少我觉得我应该好好了解一下环视。后来发现深入理解正则表达式环视的概念与用法这个文章，感觉叫深入解析、深入理解的应该都可以。看了之后果然觉得我确实深入理解了正则表达式。让我们来排除注释中的内容把！

首先找注释里的内容很简单，。这时候找注释里的标签时，很容易想到[\s\S]*?__>。可稍微再想想，这还是有问题的，前后都有注释时，也能匹配到。注释里的标签必须满足前面有之间没有__>。已经能确保出现注释开头了，只要排除一下注释结尾即可。

然后改成了这个样子：()[\s\S])*?)试了一下，果然能找到注释里的head了。那否定一下，就是非注释里的head了呗:(?).)*?)。这种写法每找一个位置就先看看是不是再注释里，感觉上比较浪费性能，于是弄成先找,再看是否再注释里，所以最终版就是(?).)*?)。这两种写法里环视中((?!__>).)*?匹配到的内容是不一样的。

这也就是说，要排除注释中的标签，只要加一个(?).)*?)即可。所以<(?[\w]+)[^>]*?>((?<\k[^>]*>)|>(?<-Nested>)|.*?)*>加了之后就变成：

<(?[\w]+)[^>]*?>(?).)*?)((?<\k[^>]*>(?).)*?))|>(?<-Nested>(?).)*?))|.*?)*>(?).)*?)。

这里面环视中使用重复量词貌似就deelx支持，大部分正则引擎都不太支持。不过正好我用的就是deelx。

标签问题解决了就是解析http协议头里的数据了，相对来说简单点：

http/\d\.\d\s(\d{0,3})\s\w+(?:\n(?:(?:content-type:\s([^\n]+))|(?:set-cookie:\s([^\n]+))|[^\n]+))*(?:\n\n([\s\S]*))?

试了一下，匹配结果如下：

这里想要获得什么字段值就继续往里|上就行，想要方便了还可以命个名。排除注释

本文来自互联网用户投稿，文章观点仅代表作者本人，不代表本站立场，不承担相关法律责任。如若转载，请注明出处。 如若内容造成侵权/违法违规/事实不符，请点击【内容举报】进行投诉反馈！