使用XML解析器解析HTML文档

Question

我能否使用XML解析器来解析HTML文件？

为什么不能这样做呢？我知道XML用于存储数据，而HTML用于显示数据。但从语法角度来看，它们几乎相同。

预期的用途是制作一个HTML解析器，该解析器是网络爬虫应用程序的一部分。

- Kent Kostelac

---

只要你的HTML严格遵循XML（例如XHTML 1.0），就可以这样做。否则，HTML不是严格的XML，因此解析器会引发错误。 - fpierrat

Answer 1

您可以尝试使用XML解析器解析HTML文件，但很可能会失败。因为HTML文档具有以下HTML功能，而XML解析器无法理解。

• 元素从不拥有结束标签，并且不使用XML所谓的“自关闭标记语法”，例如<br>、<meta>、<link>和<img>（也称为void元素）
• 元素不需要结束标签，例如<p>、<dt>、<li>（它们的结束标签可以被implied）
• 可以包含未转义标记“<”字符的元素，例如style、textarea、title、script；<script> if (a < b) … </script>，<title>Using the "<" operator</title>
• 带有未引用值的属性；例如：<meta charset=utf-8>
• 属性为空，完全没有给出单独的值；例如：<input disabled>

XML解析器将无法解析使用任何这些功能的HTML文档。 另一方面，HTML解析器基本上不会因为文档包含什么而失败。所有这些说法都是有道理的，同时也有工作正在进行中，旨在开发一种新型的XML解析：所谓的XML5解析，能够处理像空属性/未引用属性等在XML文档中的事物。有一个XML5规范草案，以及一个XML5解析器xml5ever。

预期目的是制作一个Web爬虫应用程序的HTML解析器。

如果您要创建Web爬虫应用程序，您应该绝对使用HTML解析器，最好是符合HTML标准中的解析要求的HTML解析器。（HTML标准）。

现在，许多（甚至大多数）语言都有符合要求的HTML解析器，例如：

• parse5（node.js/JavaScript）
• html5lib（python）
• html5ever（rust）
• validator.nu html5 parser（java）
• gumbo（使用ruby、objective c、c++、per、php、c#、perl、lua、D、julia等语言的绑定的c）

- sideshowbarker

Answer 2

语法上它们几乎是完全相同的

计算机很挑剔。 "几乎相同"是不够的。HTML允许一些XML不允许的内容，因此XML解析器会拒绝（虽然不是全部）HTML文档。

此外，有一个不同的质量文化。对于HTML，解析器的文化是“如果可能的话，尽量去处理输入”。对于XML，文化是“如果有错误，退回修复或替换”。

- Michael Kay