我正在尝试(或计划尝试)编写一个简单(尽可能)的程序来将html文档解析成树。
在谷歌搜索之后，我发现很多答案说“不要这样做”(或者说这样的话);并引用HTML解析器的例子;也是一个非常强调的文章，为什么不应该使用正式表达。但是我没有找到任何指导，以“正确”的方式写一个解析器。 (顺便说一句，我正在尝试更多的是一种学习风格，而不是任何事情，所以我很想做，而不是使用一个预制的)
我相信只要读取文档并将标签/文本等添加到树中，我就可以制作一个工作的XML解析器，只要我打了一个关闭标签(再次简单，没有花哨的线程或这个阶段需要的效率) )。但是，对于HTML并不是所有的标签都关闭。
所以我的问题是这样的：你会推荐什么来处理这个问题？我唯一的想法是以类似于XML的方式对待它，但是有一个标签的列表，这些标签不一定要关闭，每个都有关闭的条件(例如< p>结束于< / p>或下一个< p>标签)。
有谁有任何其他(希望更好)的建议？有没有更好的方式这样做？
解决方法
所以我会在这里尝试一个答案 –
基本上，什么使得“简单”html解析(不涉及这里的有效xhtml)与xml解析不同是诸如永无止境的< img>标签之类的规则的加载，或严格地说，即使是所有html标记中最高的将在浏览器中进行渲染。
您将需要一个验证器以及解析器来构建您的树。但是，您必须确定要支持的HTML标准，以便当您遇到标记的弱点时，您会知道这是一个错误，而不仅仅是一个拙劣的HTML。
知道所有的规则，构建一个验证器，然后你就可以构建一个解析器。这是计划A.
计划B将会在您的解析器中允许一定的错误阻力，这将使验证步骤不必要。例如，解析所有标签，并将其放在列表中，省略任何属性，以便您可以轻松地在列表上操作，确定标签是否保持打开状态，或者始终未打开，最终获得“好” “布局树，这将是粗略布局的一个近似解决方案，同时准确地正确布局。
希望有所帮助！
