我目前正在尝试（或计划尝试）编写一个简单（尽可能简单）的程序，将HTML文档解析成树形结构。
在谷歌上搜索后，我找到了很多答案说“不要这么做，它已经被完成了”（或类似的话），并提供了HTML解析器的示例以及一篇非常强调为什么不应该使用正则表达式的文章。但是，我没有找到任何关于编写解析器的“正确”方法的指南。（顺便说一下，我尝试这个更多是作为学习练习而不是使用预制的解析器，所以我想自己写一个）
我相信通过阅读文档并将标签/文本等添加到树中，在遇到关闭标记时上升一级（同样简单，在这个阶段不需要复杂的线程或效率）。但是，对于HTML，并非所有标记都是关闭的。
因此，我的问题是：您建议采用什么方法来处理这个问题？我唯一想到的想法是像XML一样处理它，但具有不一定关闭的标记列表，每个标记都有关闭条件（例如<p>以</p>或下一个<p>标记结束）。
是否有其他（更好的）建议？总之，有没有更好的方法来完成这项工作？
<html>，<body>}表示您当前位于HTML文档的正文中。当您遇到新节点时，您将该节点的要求与当前堆栈进行比较。html}。您遇到一个<p>标记。您在表中查找<p>，该表告诉您段落必须在<body>内。由于您不在正文中，因此您会隐式地将<body>推入堆栈（或向树中添加一个正文节点）。然后，您可以将<p>放入树中。<p>。根据您的规则，您不能将段落嵌套在段落中，因此您知道在将新段落推入堆栈之前必须弹出当前的<p>（就像您已看到一个关闭标记一样）。那么，我将在这里尝试回答 -
基本上，“普通”HTML解析（不是指有效的XHTML）与XML解析之间的区别在于有大量的规则，比如永远不会结束的<img>标签，或者严格地说，即使是最不严谨的所有HTML标记都会在浏览器中以某种方式呈现。
您需要使用验证器和解析器来构建您的树。但是您必须决定要支持的HTML标准，以便在遇到标记中的弱点时，您会知道它是一个错误而不仅仅是松散的HTML。
了解所有规则，构建验证器，然后就可以构建解析器。这是A计划。
B计划将允许您的解析器具有一定的错误耐受性，这将使验证步骤变得不必要。例如，解析所有标记并将它们放在列表中，省略任何属性，以便您可以轻松操作该列表，确定标记是否保留打开状态，或者根本没有打开，最终获得“良好”的布局树，这将是松散布局的近似解决方案，同时对正确的布局非常准确。
希望这有所帮助！