I've seen this question ，非常好，内容丰富。但是，它没有涉及相当常见的情况。
假设我需要废弃大量网站（甚至是同一个域中的网页），但该网站的作者对他的代码不够关心，并且有一些严重错误的代码“有点工作”。我需要从该网站获取信息。
在这种情况下我该怎么办？理想情况下没有去̡͢͞͞͞͡s̶̢̛á̵̢̢̕͘̕͘͢҉̵͢҉。
有可能吗？我是否必须恢复到RegExp？
答案 0 :(得分：4)
您需要一个DOM解析器。 Php has one。然后是are some alternatives（还有更多...只是为他们谷歌）。如果你愿意，你甚至可以运行“乱码HTML”trhu HTML Purifier。
答案 1 :(得分：0)
我不知道您是如何抓取该网站的，但使用RegExp将允许您为废品代码添加许多条件。这可能需要一些时间，具体取决于足迹的数量和您的RegExp技能。
您也可以在网站HTML上使用Tidy，但这也会导致IMO产生奇怪的结果。
答案 2 :(得分：0)
它必须是PHP吗？ Python有一个很棒的库，名为 Beautiful Soup （“你没有写那个糟糕的页面。你只是想从中获取一些数据”） 。根据我的经验，我会推荐它，以至于我会说如果你有选择，可以编写一个快速的Python脚本来将你的节点解析成一个PHP可以提取的干净文件。
（知道PHP在标题中并且这并没有直接回答你的问题。如果你没有选择（或不喜欢）Python，请道歉，只是想提出一个很好的选择。）