C/C++，libxml2：解析 HTML 片段
我需要解析现实生活中的 HTML 文档。在大多数情况下，它们的结构良好，但有时（并且不能忽略）它们显示为在根级别具有多个同级的片段。
示例：
<div>one</div>
<div>two</div>
现在我使用 libxml2 v2.7.8 和以下解析标志：
HTML_PARSE_NOERROR | HTML_PARSE_RECOVER | HTML_PARSE_NODEFDTD | HTML_PARSE_NOIMPLIED
如果我使用上面的示例提供它，然后从解析的文档中转储 HTML：
<div>one<div>two</div></div>
正如您所看到的，它嵌套了元素，而我的要求是不破坏 HTML。另外，我希望能够在从此类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]”。
那么问题是是否可以解析这些类型的 HTML 以及如何解析？
I need to parse real life HTML documents. In most cases they are well formed, but sometimes (and it can not be ignored) they appear as fragments having more than one sibling at the root level.
Example:
<div>one</div>
<div>two</div>
Now I use libxml2 v2.7.8 with the following parse flags:
HTML_PARSE_NOERROR | HTML_PARSE_RECOVER | HTML_PARSE_NODEFDTD | HTML_PARSE_NOIMPLIED
If I feed it with the above example and then dump HTML from the parsed document:
<div>one<div>two</div></div>
As you can see it nests the elements while my requirements are not to break the HTML. Also I'd like to be able to run XPath expression on trees created from such fragments. In this case to get to the second DIV one would use '/div[2]'.
So the question is whether it is possible to parse these kinds of HTML and how?
如果你对这篇内容有疑问，欢迎到本站社区发帖提问 参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱，如果其他用户或者作者回复了您的评论，将不能在第一时间通知您！
发布评论
评论（2）
我猜你需要 html 到 xml 的转换。在 Java 中我使用 JSoup，但是 stackoverflow 肯定知道如何在 c 中做到这一点。第一个命中：使用 C++ 将 HTML 转换为 XML
I guess you need html to xml conversion. In Java I use JSoup, but stackoverflow surely knows how to do it in c. First hit: HTML to XML conversion with C++
PHP 的 DOM 组件使用 Libxml2。在 PHP 中工作，我发现了以下解决方法：
输出：
因此，对于不可否认的有点老套的答案，只需在输入字符串前面添加
，然后删除;输出字符串中的和。
Libxml2 is used by PHP's DOM component. Working in PHP, I found the following workaround:
outputs:
So for what is undeniably a bit of a hacky answer, just prepend
<div>to your input string then remove<div>and</div>from the output string.