C/C++，libxml2：解析HTML片段

Question

我需要解析真实生活的HTML文档。在大多数情况下，它们形成良好，但有时（并且不能忽略）它们表现为在根级别具有多于一个兄弟姐妹的碎片。
实施例：

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

现在我用用下面的解析标志的libxml2 v2.7.8：

HTML_PARSE_NOERROR | HTML_PARSE_RECOVER | HTML_PARSE_NODEFDTD | HTML_PARSE_NOIMPLIED 

如果我与上面的例子给它，然后从分析的文档转储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，我希望能够在从这些片段创建的树上运行XPath表达式。在这种情况下，要到达第二个DIV，可以使用'/ div [2]'。

所以问题是，是否有可能解析这些类型的HTML以及如何？

Answer 1

我想你需要html到xml转换。在Java中我使用JSoup，但是stackoverflow肯定知道如何在c中完成它。第一击：HTML to XML conversion with C++