我正在尝试使用HtmlUnit解析页面，并且html中有一个缺陷，其中表格列以<?td>而不是</td>结束。不幸的是，由于我不拥有该项目，我无法在服务器端自行修复html，所以我需要解决这个问题。
我注意到当我将页面从Chrome保存到我的硬盘上时（右键单击 - ＆gt;另存为），然后打开我保存的文件并查看来源（右键单击 - ＆gt ;查看页面源代码），Chrome已经神奇地修复了实际html中的错误。在Chrome保存并重新打开页面后，我在源代码<td> <!--?td--> </td>中看到了这一点，因此Chrome似乎检测到错误，将其评论出来并将其替换为正确的标记。
是否有可能让HtmlUnit做类似的事情？是自动生成，还是我可以自己实现某种过滤器，将<?td>替换为</td>，然后再将其解析为HtmlPage？我看到我可以为WebClient实现自己的IncorrectnessListener，也许在那里？我还没有弄清楚，所以任何帮助都会受到赞赏。
答案 0 :(得分：1)
Html解析器有一些启发式方法来处理无效的html内容。通常这会在许多情况下插入缺少的结束标记。在您的情况下，浏览器只是检测到一个不受支持的标记，并在（或多或少）正确位置添加了缺少的td-end-tag，因为下一个td-start-tag之前需要关闭td标记。
HtmlUnit（使用NekoHtml）尝试实现与浏览器相同的启发式方法。因此，您只需加载页面，然后使用asXml（）将页面保存为XHtml。您还应该看到插入的td-end标记。但是HtmlUnit不会将错误的标签保留为注释（我猜）。
如果你认为HtmlUnit实现的启发式方法有问题（或者与浏览器使用的启发式方法不同），你可以打开一个问题（请提供最简单的详细示例），我会尝试解决这个问题
如果你真的需要修补传入的HtmlCode，请锁定 FAQ页面（如何修改传出请求或传入响应？）。