libxml2 无法正确处理 HTML 中的 CDATA答案

【问题标题】：libxml2 fails to handle CDATA in HTML correctlylibxml2 无法正确处理 HTML 中的 CDATA
【发布时间】：2011-05-30 21:42:10
【问题描述】：

我正在使用 libxml2.2.7.3 来解析 html 页面，但我很难让它与 HTML 中的 CDATA 一起正常工作。代码如下：

xmlDocPtr doc = htmlReadMemory(data, length, "", NULL, 0);
xmlBufferPtr buffer = xmlBufferCreate();
xmlNodeDump(buffer, doc, doc->children, 0, 0);
printf("%s", (char*)buffer->content);

和 HTML 数据：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN" "http://www.w3.org/TR/html4/loose.dtd">
<html><body>
  <div>
    <script type="text/javascript"> 
    //<![CDATA[
      document.write('</div>');
    //]]>
    </script>
  </div>
</body></html>

解析器错误地将引号内的

识别为真正的 html 标记，并打印出如下错误消息： :8: HTML 解析器错误：意外的结束标记：脚本脚本> ^ :9：HTML 解析器错误：意外的结束标记：div

标签： html xml html-parsing libxml2

【解决方案1】：

在 HTML 中，<script> 元素根据定义包含 CDATA，因此 <![CDATA[ 无效。

简而言之，源文档坏了。

该部分更恰当地写为：

<script type="text/javascript"> 
  document.write('<\/div>');
</script>

【讨论】：

嗨，大卫，非常感谢您的及时答复！我了解 CDATA 部分，但如果
' 重写为 '
'？

因为任何结束标签都会终止 CDATA 部分。

太好了，你真的节省了我的时间。非常感谢你，大卫！最后一个问题。尽管“

”的使用错误，但我看到像 Chrome 这样的浏览器可以正确解析代码。是否有可能使 libxml2 正确解析代码，例如，通过不同地指定 doctype ？我从不是我的服务器上获取 html 代码，所以我无法正确修改 html 代码..