解析HTML是无效的XML

Question

我需要解析一个遍布有很多嵌套<div>的网站。我尝试使用XML::Simple来获得一个漂亮的树结构，但是解析一直失败，因为似乎有两个或三个未关闭的<p>。我试过HTML::Parser，但这只能让我定义一些处理函数，它们给我正确的标签，但不是它们的嵌套元素。

有没有办法让XML::Simple接受无效的XML或HTML::Parser给我一个方便的树结构？

Answer 1

HTML::TreeBuilder构建了漂亮的树，并提供了大量方便的方法来遍历它。

Answer 2

基于HTML::TreeBuilder的内容的替代方法是XML::LibXML->load_html(...)。

Answer 3

但是HTML有效吗？如果是这样，如果您使用HTML解析函数，XML::LibXML将完成一项了不起的工作。它闪电般快速，提供了很好的界面。它甚至应该能够使用recover选项处理一些错误的HTML。

或者，HTML::Parser（通常通过HTML::TreeBuilder或HTML::TreeBuilder::XPath使用）因处理错误的HTML而闻名。但它不会那么快。