解析格式错误的HTML文档

Question

HTML内容：

<div id=xyz style="test" class=tt>
<p>Some data</p><br/>Blah blah blah
<input>
</div>

这将呈现为：

Some data

Blah blah blah

这里的html代码格式不正确，我试图将文本数据作为一个简单的字符串，如下所示

string s="Some data\n\nblah blah blah";

没有DOM或SAX会对此有所帮助。

问题：

是否有任何（C / C ++ / Java）库可用于解析格式不正确的HTML文件？

Answer 1

您可能想尝试jsoup。http://jsoup.org/cookbook/introduction/parsing-a-document

Answer 2

我会推荐TagSoup（http://home.ccil.org/~cowan/XML/tagsoup/）。将写得不好的HTML转换成漂亮的XML。