C/C++，libxml2：解析HTML片段

Question

我需要解析真實生活的HTML文檔。在大多數情況下，它們形成良好，但有時（並且不能忽略）它們表現爲在根級別具有多於一個兄弟姐妹的碎片。
實施例：

<div>one</div> 
<div>two</div> 

現在我用用下面的解析標誌的libxml2 v2.7.8：

HTML_PARSE_NOERROR | HTML_PARSE_RECOVER | HTML_PARSE_NODEFDTD | HTML_PARSE_NOIMPLIED 

如果我與上面的例子給它，然後從分析的文檔轉儲HTML：

<div>one<div>two</div></div> 

正如你可以看到它嵌套的元素，而我的要求是不打破HTML。另外，我希望能夠在從這些片段創建的樹上運行XPath表達式。在這種情況下，要到達第二個DIV，可以使用'/ div [2]'。

所以問題是，是否有可能解析這些類型的HTML以及如何？

Answer 1

我想你需要html到xml轉換。在Java中我使用JSoup，但是stackoverflow肯定知道如何在c中完成它。第一擊：HTML to XML conversion with C++