解析格式錯誤的XML

Question

我正在嘗試將一個（可能）格式錯誤的HTML加載到XMLDocument對象中，但它失敗了XMLExceptions ...因為有額外的打開/關閉標記，以及格式錯誤的XML標記，例如<img >而不是<img />

如何讓XML解析數據中的所有錯誤？ 在解析之前是否可以應用任何XML驗證器來糾正這些錯誤？ 或者處理異常解析什么可以解析？

Answer 1

HTML Agility Pack將解析html而不是xhtml，並且非常寬容。 如果您使用過XmlDocument那么對象模型就會很熟悉。

Answer 2

您可能想查看此問題的答案。

基本上介於beautifulsoup的.NET端口和HTML敏捷包之間有一種方法。

Answer 3

您不太可能構建具有此級別格式錯誤的XmlDocument。 XmlDocument（據我所知）要求xml內容遵循正確的嵌套和閉包語法。

但是，您懷疑可以使用XmlReader解析它。 如果遇到某些令人震驚的錯誤，它仍然會拋出異常，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，那么可以使用HTML Agility Pack ，它可以滿足您的需求。

Answer 4

根據具體需要，您可以使用HTML Tidy清理文檔，然后使用XMLDocument對象導入它。

Answer 5

你要做的事情非常困難。 HTML無法使用XML解析器進行解析，因為XML是嚴格的而HTML則不是。 如果該HTML符合XHTML（HTML as XML），則XML解析器將解析HTML而不會出現問題。

如果你真的想使用HTML解析器來制作HTML，你可能想知道是否有任何HTML到XHTML轉換器。

換句話說，我還沒有遇到處理格式錯誤的XML的XML解析器...它們不是為了接受像HTML這樣的松散標記（有充分的理由，也:)

Answer 6

您無法將格式錯誤的XML加載到XmlDocument 。

查看CodePlex上的Html Agility Pack