我正在编写一些小应用程序来解析几个网页的来源，提取一些数据，并将其保存为另一种格式。具体来说，我的一些银行不提供交易/报表的下载，但它们确实可以访问其网站上的这些报表。
我做了一次罚款，但另一次（汇丰银行英国）证明了屁股的痛苦，因为它的来源不是有效的XHTML。例如，在<?xml?>标记之前有空格，并且在属性名称及其值（例如==）之间存在使用=而不是<li class=="lastItem">的位置。< / p>
当然，当我将这些数据传递给我的XmlDocument时，它会抛出一个摇摆不定的（更确切地说是异常）。
我的问题是：是否可以放宽C＃中XML解析的要求？我知道在源头解决这些问题要好得多 - 这绝对是我的态度 - 但是汇丰银行改变他们的网站的机会几乎为零，而这些网站已经在大多数浏览器中运行，只是为了我的老朋友。
答案 0 :(得分：7)
看看HTML agility pack。它允许您通过XPath提取非XHTML兼容网页的元素，就好像它是一个格式良好的XHTML文档。
对于Kleene的爱，不要试图复制具有任何复杂性的HTML页面！
答案 1 :(得分：3)
我不相信你可以放松解析，但是你可以通过类似HTML Tidy之类的东西来运行它，让 处理这个混乱。
答案 2 :(得分：0)
如果它们不符合XHTML，则无论您如何努力，都无法将HTML推送到XMLDocument对象中。
如果这是低音量，您可以使用WebBrowserControl创建一个空的HtmlDocument对象，然后使用HtmlDocument的Write（）方法将您检索到的字符串从中删除。
另一个选项是mshtml.HTMLDocument，这在.NET中有点麻烦，因为它是互操作的。
最常见的屏幕刮擦类型是使用正则表达式。一旦你确定了你正在寻找的模式，你就可以反复刮擦。