在 HTML 标记中避免灾难性回溯

Question

正如我在标题中所说，我的数据集是标记的，看起来有点像这样

<!DOCTYPE html>
<html>
<head>
    <title>page</title>
</head>
<body>
<main>

<div class="menu">
    <img src=mmayboy.jpg>
    <p> Whosebug is good </p>
</div>

<div class="combine">
    <p> i have suffered <span>7</span></p>
</div>
</main>
</body>
</html>

我的正则表达式引擎尝试分别匹配以下每个节点块，即我可以尝试匹配 combine 或 menu。一张照片，这就是我的正则表达式引擎的样子，尽管我深入了解了它下面的内部结构。

/(<div class="menu">(\s+.*)+<\/div>(?:(?=(\s+<div))))/

它试图深入该标记并获取所需的节点块。就这些。至于内部结构，我们开始吧

/
(
 <div class="menu"> // match text that begins with these literals
  (
   \s+.*
  )+ /* match any white space or character after previous. But the problem is that this matches up till the closing tag of other DIVs i.e greedy. */
  <\/div> // stop at the next closing DIV (this catches the last DIV)
  (?: // begin non-capturing group 
   (?=
    (
     \s+<div
     ) /* I'm using the positive lookahead to make sure previous match is not followed by a space and a new DIV tag. This is where the catastrophic backtracking is raised. */
   )
  )
 )
/

我在评论中缩进了它，以帮助任何愿意提供帮助的人。我还从博客中寻找解决方案，the manual 他们说这是由具有太多可能性的表达式引起的，可以通过减少结果的机会来补救，即 +? 而不是 * 但尽我所能，我无法将其中的任何一个应用到我当前的困境中。

Answer 1

(\s+.*)+

大概可以简化为

[^]*?

这应该可以防止灾难性的回溯。整体简化：

/<div class="menu">[^]*?<\/div>/

不过，您是否考虑过使用 an HTML parser？

var parser = new DOMParser();
var doc = parser.parseFromString(data, 'text/html');
var menu = doc.getElementsByClassName('menu')[0];

console.log(menu.innerHTML);

在 HTML 标记中避免灾难性回溯

Escape catastrophic backtracking in HTML markup

javascript

regex

parsing

html-parsing