在HTML中查找注释

Question

我有一个HTML文件，其中可能包含Javascript，PHP，而人们可能会或可能不会将所有这些东西放入HTML文件中。

我想从此html文件中提取所有注释。

我可以指出这样做的两个问题：

1. 用一种语言发表的评论可能不是用另一种语言发表的评论。

2. 在Javascript中，其余行使用//标记注释掉。 但是，URL中也包含// ，因此，如果我只应用// ，然后替换行中的其余内容，则不添加任何内容，因此我很可能会消除URL的某些部分。

因此，这不是一个小问题。

已经有解决方案吗？

有人做过吗？

Answer 1

问题2：当您用任何一种语言编写网址时，不是每个网址都用“ www.url.com”或“ www.url.com”引用吗？ 我不确定。 如果是这种情况，那么您要做的就是解析代码，并检查反斜杠之前是否有任何引号，以了解它是真实的网址还是仅仅是注释。

Answer 2

查看诸如ANTLR之类的解析器生成器，该生成器具有多种语言的语法，并编写一个嵌套解析器以可靠地查找注释。 如果准确性很重要，则正则表达式将无济于事。 即使那样，它也不是100％准确的。

考虑

问题3，用一种语言发表的评论并不总是一种用语言发表的评论。

<textarea><!-- not a comment --></textarea>
<script>var re = /[/*]not a comment[*/]/, str = "//not a comment";</script>

问题4，语言中嵌入的注释可能显然不是注释。

<button onclick="&#47;&#47; this is a comment//&#10;notAComment()">

问题5，注释是什么取决于浏览器的配置方式。

<noscript><!-- </noscript> Whether this is a comment depends on whether JS is turned on -->
<!--[if IE 8]>This is a comment, except on IE 8<![endif]-->

---

对于上下文模板系统，我不得不部分解决此问题，该系统从源代码中删除注释以防止泄漏软件实现细节。

https://github.com/mikesamuel/html-contextual-autoescaper-java/blob/master/src/tests/com/google/autoesc/HTMLEscapingWriterTest.java#L1146显示了一个用JavaScript标识注释的测试用例，以后测试用例显示以CSS和HTML标识的注释。 您也许可以修改该代码以查找注释。 它不会处理PHP代码部分中的注释。

Answer 3

从您的话看来，您正在考虑基于正则表达式的某种方法：在整个文件上这样做是很痛苦的，尝试使用一些工具来突出显示或丢弃有趣或无趣的文本，然后处理剩下的内容。根据保留/丢弃标准筛选筛子。 看一下HTML :: Tree和TreeBuilder，处理HTML标记可能非常有用。

Answer 4

我会将HTML文件转换为字符数组并进行解析。 前进时，您可以检测到诸如“ <”，“-”，“ www”，“ http”之类的键字符串，可以跳过或删除这些段。

必须正确识别开始/结束索引，这是一个挑战，但是您将拥有全部功能。

如果性能不成问题，还有其他方法可以简化过程。 例如，可以使用XML :: Twig捕获所有标签，并且可以解析该字符串以检测JS注释。