как пропустить проверку правильности XML

Question

Я использую Xpath (и Java) для извлечения информации с некоторых веб-сайтов. Однако моя проблема заключается в том, что, поскольку некоторые из этих веб-сайтов не являются правильно сформированными, я не могу их обработать. Есть ли способ избежать проверки правильности или альтернативно указать теги, которые не следует проверять на правильность?

Спасибо Rp

Answer 1

препроцесс с Tidy .

Answer 2

Проверьте http://nekohtml.sourceforge.net/ для превращения HTML в объект DOM

Answer 3

TagSoup - SAX-совместимый синтаксический анализатор, написанный на Java, который может обрабатывать все виды поврежденного HTML. Попробуйте использовать TagSoup в качестве анализатора XML, а затем обработать вывод через Xpath.

Answer 4

Возможно, вы не хотите использовать синтаксический анализатор XML для анализа HTML. Вам лучше использовать такую ​​библиотеку, как HtmlUnit или HtmlParser .