修复损坏的HTML的算法

Question

我正在寻找算法＆amp;用于修复损坏的HTML的数据结构。我知道每种语言都有很多内置工具可以做到这一点。但我想学习这个。我能想到的一些方法是 -

1. 使用正则表达式 - 似乎是一种天真的方法
2. 创建DOM - 但是如何使用损坏的html创建DOM树？

更新：这是我期待的一般性讨论。但是，如果您参考C，C ++，Python或Java中的任何工具，我都可以。

感谢

Answer 1

使用the HTML 5 parsing algorithm（用于处理破坏）来解析标记，并从中构建DOM。然后，您可以序列化回HTML。

Answer 2

RegEx + HTML =灾难。

有很多方法可以使HTML成为有效的SGML，但却破坏了RegEx规则。

真的需要有状态的SGML解析器。你没有提到你愿意使用哪种语言，但那里有许多有状态的SGML解析器。

在.NET中，我们经常使用SGMLReader - 一个有状态的解析器，它返回格式良好的DOM和/或XML DOM。

在C中，W3C有一个合理的C SGML Parser

在Java中有一个SAX-style SGML parser

Answer 3

我同意正则表达方式漫长而曲折的想法：它更加健壮，更容易使用专为阅读破解的HTLM而设计的现有代码。

由于您提到了Python，Beautiful Soup解析器据称可以很好地处理损坏的HTML。