HTML解析器 2004年12月7日 星期二

        今天已经是有做HTML解析器的想法好几天了，一开始是一个朋友要我帮忙处理下从网页上的表格中获取信息，然后分项保存到数据库中，实现数据本地化。一开始就打算好好做一个，以后也可以通用，经过一个多星期的资料收集和试验，现在分析器的雏形已经出来了。

        在一开始的时候打算直接用.NET中字符处理的方法来做，但过于复杂和麻烦，而且效率不高；然后有想到把HTML当做XML用XML相关的类来解析，但HTML的语法比较松散；还试过SgmlReader，这个东西的解析也不够满意。最后觉得用正则表达式来做（我学习了5天，已经深入到自动机的理论），选用的原因：

           一、 效率高；

            二、 容错性好。应为HTML没有XML那样严格的语法规范，HTML要松散些。

        但正则表达式有个缺点，如果要匹配最近的<td></td>正则表达式要相当复杂，而且我也没有研究出来。我的解决办法是象Table用Match匹配出文字，然后用Match的index获得匹配的位置，再用SubString方法取得值字符串。效果还不错哦。

        现在遇到的问题：如果Table中包含Table那么对TR的分解将出来错误。