在HTML中查找注釋

Question

我有一個HTML文件，其中可能包含Javascript，PHP，而人們可能會或可能不會將所有這些東西放入HTML文件中。

我想從此html文件中提取所有注釋。

我可以指出這樣做的兩個問題：

1. 用一種語言發表的評論可能不是用另一種語言發表的評論。

2. 在Javascript中，其余行使用//標記注釋掉。 但是，URL中也包含// ，因此，如果我只應用// ，然后替換行中的其余內容，則不添加任何內容，因此我很可能會消除URL的某些部分。

因此，這不是一個小問題。

已經有解決方案嗎？

有人做過嗎？

Answer 1

問題2：當您用任何一種語言編寫網址時，不是每個網址都用“ www.url.com”或“ www.url.com”引用嗎？ 我不確定。 如果是這種情況，那么您要做的就是解析代碼，並檢查反斜杠之前是否有任何引號，以了解它是真實的網址還是僅僅是注釋。

Answer 2

查看諸如ANTLR之類的解析器生成器，該生成器具有多種語言的語法，並編寫一個嵌套解析器以可靠地查找注釋。 如果准確性很重要，則正則表達式將無濟於事。 即使那樣，它也不是100％准確的。

考慮

問題3，用一種語言發表的評論並不總是一種用語言發表的評論。

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

問題4，語言中嵌入的注釋可能顯然不是注釋。

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

問題5，注釋是什么取決於瀏覽器的配置方式。

<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]-->

---

對於上下文模板系統，我不得不部分解決此問題，該系統從源代碼中刪除注釋以防止泄漏軟件實現細節。

https://github.com/mikesamuel/html-contextual-autoescaper-java/blob/master/src/tests/com/google/autoesc/HTMLEscapingWriterTest.java#L1146顯示了一個用JavaScript標識注釋的測試用例，以后測試用例顯示以CSS和HTML標識的注釋。 您也許可以修改該代碼以查找注釋。 它不會處理PHP代碼部分中的注釋。

Answer 3

從您的話看來，您正在考慮基於正則表達式的某種方法：在整個文件上這樣做是很痛苦的，嘗試使用一些工具來突出顯示或丟棄有趣或無趣的文本，然后處理剩下的內容。根據保留/丟棄標准篩選篩子。 看一下HTML :: Tree和TreeBuilder，處理HTML標記可能非常有用。

Answer 4

我會將HTML文件轉換為字符數組並進行解析。 前進時，您可以檢測到諸如“ <”，“-”，“ www”，“ http”之類的鍵字符串，可以跳過或刪除這些段。

必須正確識別開始/結束索引，這是一個挑戰，但是您將擁有全部功能。

如果性能不成問題，還有其他方法可以簡化過程。 例如，可以使用XML :: Twig捕獲所有標簽，並且可以解析該字符串以檢測JS注釋。