Question

我对一个可以处理格式错误的HTML页面的解析器感兴趣，并在对它执行一些XPath查询之前将其转换为格式良好的HTML。你知道吗？

Answer 1

您不应该使用XML解析器来解析HTML。使用HTML解析器。

请注意，以下内容是完全有效的HTML（并且XML解析器会阻塞它）：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" 
    "http://www.w3.org/TR/html4/strict.dtd">

<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<title>Is this valid?</title>
</head>

<body>

<p>This is a paragraph

<table>

<tr>  <td>cell 1  <td>cell 2
<tr>  <td>cell 3  <td>cell 4

</table>

</body>

</html>

CPAN上有许多特定于任务的任务（除通用之外）HTML解析器。他们在非常混乱的（并且大部分时间都是无效的）HTML上为我完美地工作。

如果您可以指定要解决的问题，则可以提供具体的建议。

还有HTML::TreeBuilder::XPath使用HTML::Parser将文档解析为树，然后允许您使用XPath查询它。我从未使用它，但看到Randal Schwartz的HTML Scraping with XPath。

鉴于上面的HTML文件，以下简短脚本：

#!/usr/bin/perl

use strict; use warnings;

use HTML::TreeBuilder::XPath;
my $tree= HTML::TreeBuilder::XPath->new;

$tree->parse_file("valid.html");
my @td = $tree->findnodes_as_strings('//td');

print $_, "\n" for @td;

输出：

C:\Temp> z
cell 1
cell 2
cell 3
cell 4

这里的关键点是HTML解析器将文档解析为HTML文档（尽管我们能够使用XPath查询它）。

Answer 2

除非您关注learn more about wheels，否则请使用HTML Tidy代码。

Answer 3

你可以改写这样的问题：

我对可能采用格式错误的 ~~HTML页~~ C源的解析器感兴趣，并在执行某些 ~~XPath之前将其转换为格式良好的 ~~HTML~~ C源代码查询~~编译和链接。你知道吗？

现在问题可能更明显一点：这并不容易。如果它确实是格式错误的HTML，您可能需要手动完成工作，直到它可以被输入HTML解析器。然后，您可以使用此处提供的任何其他模块来完成工作。虽然你不可能以编程方式将原始HTML翻译成严格有效的xhtml。

你如何处理Perl中格式错误的HTML？

3 个答案: