在C++中用Boost正则表达式缩小HTML

Question

问题

如何使用C++缩小HTML？

资源

外部库可能是答案，但我更多地是在寻找对当前代码的改进。尽管我在倾听其他的可能性。

当前代码

这是我在“c++ of the following answer”中的解释。

我唯一需要改变的部分是："(?ix)“。

...and几个逃生标志

#include <boost/regex.hpp>
void minifyhtml(string* s) {
  boost::regex nowhitespace(
    "(?ix)"
    "(?>"           // Match all whitespans other than single space.
    "[^\\S ]\\s*"   // Either one [\t\r\n\f\v] and zero or more ws,
    "| \\s{2,}"     // or two or more consecutive-any-whitespace.
    ")"             // Note: The remaining regex consumes no text at all...
    "(?="           // Ensure we are not in a blacklist tag.
    "[^<]*+"        // Either zero or more non-"<" {normal*}
    "(?:"           // Begin {(special normal*)*} construct
    "<"             // or a < starting a non-blacklist tag.
    "(?!/?(?:textarea|pre|script)\\b)"
    "[^<]*+"        // more non-"<" {normal*}
    ")*+"           // Finish "unrolling-the-loop"
    "(?:"           // Begin alternation group.
    "<"             // Either a blacklist start tag.
    "(?>textarea|pre|script)\\b"
    "| \\z"         // or end of file.
    ")"             // End alternation group.
    ")"             // If we made it here, we are not in a blacklist tag.
  );
  
  // @todo Don't remove conditional html comments
  boost::regex nocomments("<!--(.*)-->");
  
  *s = boost::regex_replace(*s, nowhitespace, " ");
  *s = boost::regex_replace(*s, nocomments, "");
}

只有第一个正则表达式是从最初的帖子，另一个是我正在做的事情，应该被认为是远远没有完成。希望它能给我一个好的想法，让我知道我想要做些什么。

Answer 1

Regexps是一个强大的工具，但我认为在这种情况下使用它们是个坏主意。例如，您提供的regexp是维护的噩梦。通过查看这个regexp，您不可能很快理解它应该匹配什么。

您需要一个html解析器来标记输入文件，或者允许您以流或对象树的形式访问令牌。基本上读取标记，丢弃那些标记和不需要的属性，然后将剩余的内容写入输出。使用这种方法可以让您开发解决方案的速度要比使用regexp解决方案的速度要快。

我认为您可能可以使用xml解析器，也可以使用html支持搜索xml解析器。

在C++中，libxml (它可能有HTML模块)、Qt4、tinyxml，加上libstrophe使用某种可以工作的xml解析器。

请注意，C++ (特别是C++03)可能不是这种程序的最佳语言。虽然我非常不喜欢python，但是python有“漂亮的汤”模块，可以很好地解决这类问题。

Qt4可能会工作，因为它提供了体面的unicode字符串类型(如果要解析html，您将需要它)。