要對 XML 做文法分析,得先把 XML 的語法規則拆成兩層來看:詞法層決定「哪些字元能組成什麼樣的名稱與文字」,句法層決定「這些成分如何堆疊成一份合法文件」。本文依序梳理這兩層規則,並據此推導出可用的正則表達式。
大小寫敏感。元素名在開啟與關閉標記中必須大小寫一致,例如 <mytag>…</mytag>;保留字串也須符合大小寫要求,如 <?xml …?>、<!ENTITY>。
保留標記字元。XML 保留 <、>、& 三個字元,它們不允許出現在元素名、元素文字、屬性名與屬性值中。< 用於開啟標記,> 用於關閉標記,& 用於轉義。常見轉義包括 < 產生 <、> 產生 >、& 產生 &、' 產生 '、" 產生 "。
元素名規則。元素名必須以下劃線或字母開始,其後可包含字母、數字、句點、連字符、下劃線、冒號與其他語言的擴充字元;名稱中不得含空白符(空格、跳格、換行、回車),並可帶有名域前綴。例如 <mytag>、<dt:mytag>。元素文字則可以是除保留字元以外的任意字元集合,例如 <mytag> my money is $2000 </mytag>。
屬性規則。屬性名的規則同元素名;屬性值由單引號或雙引號括起,內容可以是除保留字元以外的字串,例如 <mytag myprop="proper value">。屬性名若帶 xmlns 前綴,表示該屬性宣告了一個名域,例如 <mytag xmlns:ns="https://www.myweb.com/myschema">。
一份 XML 文件由一個 XML 宣告、多個可選的文件宣告、多個可選的 XML 指令、多個可選的註解,以及一個根元素構成的資料體組成;此外還可在語句中嵌入 CDATA 段。
<?xml …?> /* XML 宣告 */
<!DOCTYPE …> /* XML 文件宣告 */
<!-- … --> /* XML 註解 */
<?xml-stylesheet …?> /* XML 指令 */
<root> /* 根資料元素 */
<child>
…<![CDATA[…]]>
</child>
</root>
逐項對應的界定符如下:
XML 宣告由 <?xml 開啟、?> 關閉,其中包含版本、編碼等可選說明,例如 <?xml version="1.0" encoding="UTF-8"?>。
文件宣告由 <! 與保留串開啟、> 關閉,例如 <!DOCTYPE mydoc SYSTEM "mydoc.dtd">。
XML 指令由 <? 與保留串開啟、?> 關閉,例如 <?xml-stylesheet type="text/xsl" href="mystyle.xsl"?>。
註解由 <!-- 開啟、--> 關閉,例如 <!-- this is my xml document -->。
元素由 <元素名> 開啟,由 /> 或 </元素名> 關閉,開關標記必須互相匹配,如 <mytag … /> 或 <mytag>…</mytag>。元素允許嵌套,因此還必須維持層次上的匹配,如 <mytag><subtag>…</subtag></mytag>。
CDATA 段由 <![CDATA[ 開啟、]]> 關閉,用於讓其中的語句繞過 XML 解析規則,例如 <![CDATA[ select * from mytable where thefield <= '100' ]]>。
有了上述規則,就可以定義基本字元集並寫出正則表達式。先設定字元類別:
#define digit [0-9] /* 數字字元 */ #define letter [a-zA-Z] /* 字母字元 */ #define signs [~!@#%^*(),:;"',./\-_+=|\] /* 符號字元 */ #define ascii2 [0x80-0xFF] /* ASCII 表 2 擴充字元 */ #define space [0x20, \t, \r, \n] /* 空格、跳格、回車、換行 */ #define reserve [<, >, &] /* XML 保留字元 */
接著是四條主要子句:
1) 元素名
element_name -> (_ | letter | ascii2)
(ε | _ | - | : | . | digit | letter | signs | ascii2)*
2) 元素文字
element_text -> (ε | not reserve)*
3) 屬性名
proper_name -> (_ | letter | ascii2)
(ε | _ | - | : | . | digit | letter | signs | ascii2)*
4) 屬性值
proper_value -> (ε | not reserve)*
讀法很單純:名稱類子句的第一個字元必須來自「下劃線、字母、擴充字元」三者之一,後續則可接受更寬鬆的字元集合(含數字與符號);文字與屬性值則是「除保留字元外的一切」。這正好對應了 XML 規格中「名稱不能以數字或符號開頭」與「內容不得含未轉義的 <、&」兩條核心約束。
在實作上,詞法層用正則表達式就能覆蓋;句法層則需要下推自動機一類的結構,用來處理巢狀與層次匹配——這也是為什麼單靠正則表達式永遠解析不了完整 XML 的根本原因。