壊れたHTMLを修正するアルゴリズム

Question

壊れたHTMLを修正するために使用するデータ構造&を探しています。私は、これを行うために、あらゆる言語で多くの組み込みツールが存在することを知っています。しかし、私はこれを学びたい。私は考えることができるいくつかのアプローチをされて -

1. 正規表現を使用したが -
2. 単純なアプローチのように思えるDOMを作成します - しかし、どのようにDOMツリーが壊れたHTMLで作成されますでしょうか？

更新日：これは私が期待している一般的な議論の詳細です。しかし、C、C++、Python、Javaのいずれかのツールを参照するのであれば、私はうまくいきます。

おかげ

Answer 1

（壊れたを扱うように設計されている）the HTML 5 parsing algorithmを使用してマークアップを解析し、それからDOMを構築します。その後、HTMLにシリアル化することができます。

Answer 2

RegEx + HTML =災害。

HTMLが有効なSGMLでありながらRegEx規則を破る方法が多すぎます。

本当にステートフルなSGMLパーサーが必要です。どんな言語で作業したいのかは言及していませんが、そこにはステートフルなSGMLパーサーがたくさんあります。

.NETでは、よく整形されたDOMおよび/またはXML DOMを返すステートフルパーサーであるSGMLReaderを定期的に使用しています。それははるかに堅牢で、使いやすい：C、W3Cでは

は、私は正規表現の道は長く、曲がりくねっであるという考えに同意SAX-style SGML parser

Answer 3

があるJavaでは、合理的なC SGML Parser

を持っています壊れたHTLMを読み取るためだけに設計された既存のコード。

Pythonに言及しているので、Beautiful Soupパーサーは壊れたHTMLをかなりうまく処理しています。