【发布时间】：2011-01-24 12:49:45
【问题描述】：
我正在处理 html 文档，如果结果是正确的表格，我会提取表格来解析它们。我对结果感到满意——我的提取过程在超过 95% 的情况下成功地映射了行标签和列标题，在没有成功的情况下，我们可以识别问题并使用其他方法。
在浏览 iternet 时，我了解到浏览器有一个非常强大的“引擎”，可以正确显示 htm 页面的内容，即使底层 htm 格式错误。我们在解析表时遇到的问题与无法将标题与数据行分开，或者无法将行标签与一个或多个相邻数据值分开，然后无法正确解析出相邻数据值有关. （我们可能有两个数据值映射到一个列标题而不是两个相邻的列标题。也就是说，如果我有一个列标题标记为苹果，然后一个标记为香蕉，我可能会将值“1125 12345”分配给香蕉（或苹果）列标题，而不是将值 1125 分配给苹果，将 12345 分配给香蕉。
正如我在开始时所说的那样——我们 95% 的时间都做对了，我们可以在输出中判断何时出现问题。我开始认为我们已经尽可能地使用 html 中的逻辑和推理来清理这些，所以我开始怀疑我是否需要一种新方法。
有没有办法利用浏览器的“引擎”来帮助这个解析器。最终，如果浏览器可以正确显示列和行，以便它们正确显示在屏幕上，那么即使行和列跨度不一致（例如），也有一些技术可以处理。
感谢您的意见
【问题讨论】：
-
您目前使用什么方法来“撕掉”表格？
-
许多方法基本上我正在加载所有表格，然后在某些条件下测试单元格的内容。我这样做是因为我发现与整个文档相比，在不清理 html 的情况下处理表格的可能性更大。