将HTML解析为XML的最佳方法

Question

基本上，我目前有一个可以在我的服务器上查询和解析XML文件的iPhone应用程序。现在，我目前必须每天早上手动更新和上传我的XML文件，以便我的用户可以获得更新的信息。我想自动化这个过程，这本质上需要解析各种网站（NYTimes，iAmBored.com等），从每个网站输出相关信息到XML文件，并将该文件上传到我的服务器。

有没有人知道实现这一目标的最佳方法（将HTML解析为XML文件）。由于我是初学者，我不确定这需要哪种语言或者最好的方法是什么？

提前多多感谢！

Answer 1

您可以尝试translate HTML to XHTML（XHTML基于XML，因此它是XML，并在DTD中定义了一些规则）。

您也可以尝试to parse directly HTML with a SGML parser（因为XHTML基于XML，HTML基于SGML）。

链接是作为灵感提供的。

Answer 2

如果您需要抓取的内容是XHTML，那么您可以轻松地使用XSLT语言在您提供给用户的XML中转换原始内容。

否则任何类型的抓取和XML生成解决方案都会很好，每种编程语言都支持这样做......但你可以使用XPath从页面中选择你需要的元素，然后将它们保存在输出文件中

Answer 3

您能从RSS / Atom供稿中获得所需吗？这将大大简化事情，因为它们是XML而不是HTML，可以通过标准XML解析器进行解析。当然，RSS源中嵌入的描述将是HTML，因此根据您的应用程序， 可能就在您需要解析HTML时。

XSLT是一种专门用于处理XML的特定于域的编程语言，但您也可以使用任何包含XML解析器的编程语言来完成任务。

Answer 4

TagSoup - Just Keep On Truckin'

  

...用Java编写的兼容SAX的解析器   而不是解析良好的形式   或有效的XML，按原样解析HTML   在野外发现：贫穷，讨厌和   野蛮的，虽然经常很远   短。

     

TagSoup是专为人们设计的   谁必须处理这些东西   一些理性的外表   应用设计。

     

提供SAX   接口，它允许标准的XML   即使是最糟糕的工具也适用   HTML。 TagSoup还包括一个   读取HTML的命令行处理器   文件，可以生成干净   HTML或格式良好的XML   接近XHTML。

此外，Taggle, a TagSoup in C++, available now