我在这里对这个问题给出了简化的答案。虽然它不占100％的标记，但我解释了如果您愿意做一些预处理工作是怎么可能的。

一般来说，由于XML语法绝非常规，因此无法使用正则表达式来解析XML。简而言之，正则表达式无法计数（嗯，Perl正则表达式实际上可以计数），因此您无法平衡开闭标记。

我不同意。如果要在正则表达式中使用递归，则可以轻松找到打开和关闭标签。

在这里，我展示了正则表达式的示例，以避免解析第一条消息中的示例错误。

我认为问题可以归结为：

1. 正则表达式几乎总是错误的。存在合法输入，它将无法正确匹配。如果您足够努力，则可以使它达到99％正确或99.999％的正确性，但是几乎不可能使它达到100％的正确性，仅是因为XML使用实体允许的怪异事物。

2. 如果正则表达式不正确（即使对于0.00001％的输入），则您会遇到安全问题，因为有人可以发现一个输入会破坏您的应用程序。

3. 如果正则表达式足够正确，可以覆盖99.99％的情况，那么它将完全无法阅读和维护。

4. 正则表达式很可能在中等大小的输入文件上表现很差。我与XML的第一次接触是用一个正确的XML解析器替换一个Perl脚本（不正确地）解析传入的XML文档，我们不仅用300行可读代码替换了300行任何人都可以理解的代码，而且还改善了用户响应时间从10秒到大约0.1秒。

我相信这本 经典的书可以为您提供所需的信息。您可以在其中的注释之一中找到要点：

我认为这里的缺陷是HTML是Chomsky Type 2语法（无上下文语法），而RegEx是Chomsky Type 3语法（正则表达式）。由于类型2的语法从本质上比类型3的语法复杂-您不可能希望做到这一点。但是很多人会尝试，有些人会声称成功，而另一些人会发现错误并完全把你弄糟。

来自Wikipedia的更多信息：Chomsky Hierarchy

我很想说“不要重新发明轮子”。除了XML是一种非常非常复杂的格式。因此，也许我应该说“不要重新发明同步加速器”。

也许正确的陈词滥调始于“当您只有锤子...”时，您知道如何使用正则表达式，正则表达式擅长解析，那么为什么还要花时间学习XML解析库呢？

因为解析XML很困难。您不必学习使用XML解析库而节省的所有工作，将远远超过您需要做的创造性工作和减少错误的数量。为了您自己的利益，google“ XML库”并利用他人的工作。

这取决于您“解析”的意思。一般来说，由于XML语法绝非常规，因此无法使用正则表达式来解析XML。简而言之，正则表达式无法计数（嗯，Perl正则表达式实际上可以计数），因此您无法平衡开闭标记。

人们通常会默认编写贪婪模式，这通常会导致不加思索的。*将大块文件吞入最大的<foo>。* </ foo>中。

人们实际上是使用正则表达式犯了一个错误，还是仅仅足以胜任他们要完成的任务？

我完全同意，无法使用正则表达式解析html和xml，因为其他人已经回答了。

但是，如果您的要求不是解析html / xml而是仅获取html / xml的“已知良好”位中的一小部分数据，那么正则表达式甚至是更简单的“子字符串”就足够了。

我写了一个关于此主题的完整博客文章：正则表达式限制

问题的症结在于HTML和XML是递归结构，需要计数机制才能正确解析。真正的正则表达式无法计数。您必须具有上下文无关的语法才能计数。

上一段带有一些警告。现在，某些正则表达式实现支持递归的想法。但是，一旦开始将递归添加到正则表达式中，您实际上就在扩展边界，应该考虑使用解析器。

不在列表中的一个陷阱是属性可以按任何顺序出现，因此，如果您的正则表达式正在查找带有href“ foo”和类“ bar”的链接，则它们可以按任意顺序出现，并且可以具有任意其他数量他们之间的事情。