解析格式错误的 XML答案

【问题标题】：Parse malformed XML解析格式错误的 XML
【发布时间】：2010-11-03 01:13:43
【问题描述】：

我正在尝试将一段（可能）格式错误的 HTML 加载到 XMLDocument 对象中，但它因 XMLExceptions 而失败...因为有额外的打开/关闭标记，以及格式错误的 XML 标记，例如 <img > 而不是<img />

如何让 XML 解析数据中的所有错误？是否有任何我可以在解析之前应用的 XML 验证器来纠正这些错误？还是会处理异常解析任何可以解析的内容？

【问题讨论】：

【解决方案1】：

你想做的事情非常困难。无法使用 XML 解析器解析 HTML，因为 XML 是严格的，而 HTML 不是。如果该 HTML 符合 XHTML（HTML 作为 XML），那么 XML 解析器将毫无问题地解析 HTML。

如果您真的想为 HTML 使用 XML 解析器，您可能想看看是否有任何 HTML 到 XHTML 转换器。

换句话说，我还没有遇到一个可以处理格式错误的 XML 的 XML 解析器......它们的设计目的不是接受像 HTML 这样的松散标记（也有充分的理由:)）

【讨论】：

【解决方案2】：

HTML Agility Pack 将解析 html，而不是 xhtml，并且非常宽容。如果你用过XmlDocument，对象模型会很熟悉。

【讨论】：

【解决方案3】：

您可能想查看this question 的答案。

基本上介于 .NET 端口的 beautifulsoup 和 HTML 敏捷包之间，有一种方法。

【讨论】：

【解决方案4】：

您不太可能构建具有这种格式错误结构的 XmlDocument。 XmlDocument（据我所知）要求 xml 内容遵守正确的嵌套和闭包语法。

但是，您怀疑您可以使用 XmlReader 来解析它。如果遇到某些严重错误，它仍然可能抛出异常，但根据 MSDN 文档，它至少可以披露错误的位置。

如果您只是处理 HTML，则有 HTML Agility Pack，它可能会满足您的目的。

【讨论】：

【解决方案5】：

您不能将格式错误的 XML 加载到 XmlDocument。

查看 CodePlex 上的 Html Agility Pack

【讨论】：

【解决方案6】：

根据具体需要，您可以使用HTML Tidy 清理文档，然后使用 XMLDocument 对象将其导入。

【讨论】：