解析HTML标题标签顺序的最有效方法

Question

我试图确定给定的页面是否不尊重标头标记(h1、h2等)。秩序。事实上，我希望能够解析一堆页面，并且它会返回不遵循页眉顺序的每一页。

我的第一个目标是能够找出h2以外的其他东西是否会紧跟在后面。我用下面的模式实现了这一点

(?<=<h1[^<>]*>.+?)(?<!<h1[^<>]*>.+?<h2[^<>]*>.+?)<h[3-6][^<>]*>

以前的regex是为我工作，虽然它并不是真正有效的，远远不是完美的。

因此，在中，首先，，我希望得到一些帮助来改进这个模式，如果可能的话，可以解释一下我以前的模式，以及它为什么如此低效。而在第二个中，我想升级/修改模式，以实现最初的目标，即确保文档头标签的顺序得到尊重。

注意：--我正在使用RegexHero进行基准测试

I know Regular Expressions are typically not best practice for parsing HTML，但这更多的是一个练习，让我更有效率地使用查找器、原子分组等等，谢谢您的理解。

我们可以使用下面的模式和下面的文本作为示例

模式：

 (?<=lol1.+?)(?<!lol1.+?lol2.+?)lol[3-6]

文本：

lol1 bla lol3 bla lol2 bla lol4

Answer 1

您可以做的是将您的头序列提取到一个数组中，然后您可以对其进行操作。例如：

<h1><h3></h3></h1><h2><h3><h4></h4></h3></h2>

将转化为：

[1,3,-3,-1,2,3,4,-4,-3,-2]

然后，您可以使用简单的操作来验证您的结构(例如，从一个值跳转到下一个值是+/-1)。

裁判官：

/(<h\d|<\/h\d)/g