HTML Tag Selector标签选择器PFC020071801

之前写过两篇关于HTML DOM解析的文章（附代码）：

       PFC020071401

       PFC0200512

第一篇只能识别简单的HTML标签包含，第二篇仅可以分析出一组根叶子节点（Leaf Node），距离简单的标签选择器还有较大的差距。后来想了一两天，结合第二篇PFC020071401里的最小标签对称法，决定放弃完全依赖正则表达式的想法。最终考虑像进行语法分析那样，从HTML文本中，分离出一棵或多颗的语法树，从语法树中找出最终目标。

当前的想法是：

1）分析路径语法；

2）对HTML文本进行正则表达式匹配，找到目标标签；

3）使用最小标签对称法，循环匹配出所有的结果树；

4）判断当前标签是否为最终目标标签，是则利用第3）步结果进行步骤1），否则5）；

5）列出结果。

最小标签对称法是利用HTML标签的开始标记和结束标记对称的原理，来完成标签完整性的目标的方法。对于某些个别标签开始和结束标记不完全对称的问题另当别论。HTML5基本要求标签对称。这样就可以忽略正则表达式贪婪匹配带来的“多重包含问题”--标签不完整、包含多个匹配结果。看以下代码最小对称法 minimalpair()：

'''

author: MRN6

blog: qq_21264377@blog.csdn.net

updated: Jul. 18th, 2020 Sat. 03:40PM

'''

def minimalpair(tag, html, position):
    #最小对称法
    check_start_tag='<'+tag
    check_end_tag=''
    if tag=='meta':
        check_end_tag='>'
    else:
        check_end_tag='</'+tag+'>'    
    start_tag_length=len(check_start_tag)
    end_tag_length=len(check_end_tag)
    length=len(html)
    index=position
    start=html.find(check_start