Question

我正在使用libxml2.2.7.3来解析html页面，而我在使用HTML中的CDATA正常运行时遇到了困难。这是代码：

xmlDocPtr doc = htmlReadMemory(data, length, "", NULL, 0);
xmlBufferPtr buffer = xmlBufferCreate();
xmlNodeDump(buffer, doc, doc->children, 0, 0);
printf("%s", (char*)buffer->content);

和HTML数据：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html><body>
  <div>
    <script type="text/javascript"> 
    //<![CDATA[
      document.write('</div>');
    //]]>
    </script>
  </div>
</body></html>

解析器错误地识别＆lt; / div＆gt;在引号内作为真正的html标记并打印出错误消息，如下所示：

:8: HTML parser error : Unexpected end tag : script
    </script>
             ^
:9: HTML parser error : Unexpected end tag : div
  </div>
        ^

打印出的结果和调试也意味着解析出错：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html><body>
  <div>
    <script type="text/javascript"><![CDATA[ 
    //<![CDATA[
      document.write(']]></script></div>');
    //]]>


</body></html>

所以问题是，这是libxml2的错误吗？或者我做错了什么？任何有见地的建议将不胜感激。谢谢！

Answer 1

在HTML中，<script>元素按定义包含CDATA，因此<![CDATA[无效。

简而言之，源文件已被破坏。

该部分将更恰当地写为：

<script type="text/javascript"> 
  document.write('<\/div>');
</script>

libxml2无法正确处理HTML中的CDATA

1 个答案: