检测不完整HTML的正则表达式

Question

我正在尝试编写一个搜索并替换正则表达式，它将检测web请求返回的HTML是否完整。我遇到过服务器返回不完整的HTML (页面的一半)的情况，所以我希望在客户端检测到这一点，并再次请求页面。

我在想，正则表达式可以先查找<html[^>]*>的存在，然后再查找</html>的缺失。然后，替换部分将用一些特殊文本替换整个HTML。

我不能仅仅检查是否没有</html>，因为返回的数据可能是一个文本文件，并且我不能检查MIME类型。

有什么想法吗？我就是不能理解这背后所需要的样子。我并不是要解析HTML，只是搜索一些文本，这就是正则表达式的作用，对吧？

编辑：

正则表达式将由C#运行，但我在正则表达式编辑器中编写它们。我只能使用搜索和替换正则表达式来解决这个问题，没有其他方法。

Answer 1

奥德是正确的。您不能使用regex解析HTML。当然，你也可以看到一些(多行)字符串是否包含后面不跟</html>的<html>。如果您确信您的web请求返回的内容将是一致的，并且在注释中不包含任何奇怪的东西(如html标记)，那么

<html\b[^>]*>(?:(?!<\s*/\s*html).)*\Z

如果您设置了“点匹配换行符”选项，将会找到这样的字符串。如何做到这一点取决于您尚未提供的regex实现。

<html\b[^>]*>          # match <html> tag
(?:                    # match the following:
  (?!<\s*/\s*html)     # If it's impossible to match </html here
  .                    # then match any character
)*                     # zero or more times.
\Z                     # Then assert that we are indeed at the end of the string

Answer 2

使用RegEx时，这是不可能的。超文本标记语言不是一种常规语言，因此RegEx无法验证不完整的页面。

为什么用RegEx解析超文本标记语言不是一个好主意，请参阅here。

使用适用于您的平台的验证HTML解析器加载HTML并检查验证错误。

在尝试检测文件是否是不完整的HTML之前，您需要弄清楚该文件是否是HTML。您可以使用文件扩展名(如果可用)来执行此操作，但是您没有提供有关您的环境的足够信息，因此无法提出任何建议。

很容易找到字符串中是否存在<html和</html>，如果不存在，则返回一个“特殊字符串”。普通的字符串函数应该就足够了--不需要RegEx。

Answer 3

一般来说，正则表达式不适合用来描述超文本标记语言，因为正则表达式只能描述regular languages，而超文本标记语言不是正则语言。HTML允许以任意深度嵌套元素的事实使其变得不规则。

尽管有支持递归模式的正则表达式实现(例如，PCRE、.NET等)，但它需要一个可怕的复杂正则表达式来描述每个有效的HTML代码。