解析格式不正确的XML

Question

我试图将一块（可能）格式错误的HTML加载到XMLDocument对象中，但它与XMLExceptions一起失败......因为存在额外的开启/关闭标签以及格式错误的XML标签，例如<img ><img />

如何获取XML以解析数据中的所有错误？在解析之前是否有任何XML验证器可以应用，以纠正这些错误？或者会处理异常解析什么可以解析？

Answer 1

的HTML Agility Pack将解析html，而不是xhtml，而且相当宽容。如果您使用了XmlDocument，则该对象模型将很熟悉。

Answer 2

你想要做什么是非常困难的。 HTML不能使用XML解析器进行分析，因为XML是严格的，而HTML不是。如果该HTML符合XHTML（HTML as XML），那么XML解析器将解析HTML而不会造成问题。

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

换句话说，我还没有遇到一个处理畸形XML的XML解析器，就不是设计成接受宽松的标记，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，在美丽的.NET端口和HTML敏捷包之间有一个方法。

Answer 4

您不太可能会构建具有这种畸形结构级别的XmlDocument。 XmlDocument（据我所知）要求xml内容遵守正确的嵌套和闭包语法。

但是，您怀疑您可以用XmlReader来解析它。如果遇到某些令人震惊的错误，它仍可能会引发异常，但根据MSDN文档，它至少可以披露错误的位置。

如果您只是处理HTML，那么HTML Agility Pack可能是您的目的。

Answer 5

无法将格式不正确的XML加载到XmlDocument中。

在CodePlex上

Answer 6

退房的Html Agility Pack取决于ONT他的特定需求，那么您可以使用HTML Tidy清理文件，然后使用XMLDocument对象导入。