解析格式不正確的XML

Question

我試圖將一塊（可能）格式錯誤的HTML加載到XMLDocument對象中，但它與XMLExceptions一起失敗......因爲存在額外的開啓/關閉標籤以及格式錯誤的XML標籤，例如<img ><img />

如何獲取XML以解析數據中的所有錯誤？在解析之前是否有任何XML驗證器可以應用，以糾正這些錯誤？或者會處理異常解析什麼可以解析？

Answer 1

的HTML Agility Pack將解析html，而不是xhtml，而且相當寬容。如果您使用了XmlDocument，則該對象模型將很熟悉。

Answer 2

你想要做什麼是非常困難的。 HTML不能使用XML解析器進行分析，因爲XML是嚴格的，而HTML不是。如果該HTML符合XHTML（HTML as XML），那麼XML解析器將解析HTML而不會造成問題。

如果您真的想爲HTML使用XML解析器，您可能需要查看是否有任何HTML到XHTML轉換器。

換句話說，我還沒有遇到一個處理畸形XML的XML解析器，就不是設計成接受寬鬆的標記，如HTML（有很好的理由，太:)）

Answer 3

您可能想查看this question的答案。

基本上，在美麗的.NET端口和HTML敏捷包之間有一個方法。

Answer 4

您不太可能會構建具有這種畸形結構級別的XmlDocument。 XmlDocument（據我所知）要求xml內容遵守正確的嵌套和閉包語法。

但是，您懷疑您可以用XmlReader來解析它。如果遇到某些令人震驚的錯誤，它仍可能會引發異常，但根據MSDN文檔，它至少可以披露錯誤的位置。

如果您只是處理HTML，那麼HTML Agility Pack可能是您的目的。

Answer 5

無法將格式不正確的XML加載到XmlDocument中。

在CodePlex上

Answer 6

退房的Html Agility Pack取決於ONT他的特定需求，那麼您可以使用HTML Tidy清理文件，然後使用XMLDocument對象導入。