libXML 轻松的 HTML 解析答案

【问题标题】：libXML relaxed HTML parsinglibXML 轻松的 HTML 解析
【发布时间】：2010-09-17 19:20:54
【问题描述】：

我正在尝试从 HTML 页面中抓取一些内容。我正在使用 libxml2 和 htmlReadMemory 来获取 xmlDocPtr。 HTML 很简单，但它有一个问题。基本上是这样的：

<tr><td><tr><td>Some content</td></tr></td></tr>

libxml 不喜欢嵌套的 tr、tds。它一直给我以下错误：

HTML parser error : Unexpected end tag : td
      </TD>
           ^
HTML parser error : Unexpected end tag : tr
    </TR>

我正在使用以下选项：HTML_PARSE_RECOVER。

在这一点上，我所做的任何事情都不允许 libxml 解析 HTML。我无法更改 HTML，因为我无权访问它。

任何人都知道如何让 libxml 解析这种 HTML 吗？

谢谢

【问题讨论】：

【解决方案1】：

您用来解析的确切调用是什么？如果您不希望出现任何错误/警告，我建议您结合使用这些选项：

HTML_PARSE_RECOVER|HTML_PARSE_NOERROR|HTML_PARSE_NOWARNING

【讨论】：

我这样做：theDoc = htmlReadMemory([inData bytes], [inData length], NULL, enc, HTML_PARSE_RECOVER | HTML_PARSE_NOWARNING | HTML_PARSE_NOBLANKS);
即使 HTML 中有错误，使用 HTML_PARSE_NOERROR 是否仍然解析文档？
实际上，我输入了 HTML_PARSE_NOERROR，现在它可以工作了。谢谢！
我相信 libxml 在大多数情况下仍能正确解析文档，但这可能取决于它的损坏程度。