这是本的扩展问题 。 我试图解析嵌入在Blogger博客的XML备份HTML片段，并与InDesign的标签重新标记它们。
博客不规范的任何职位的HTML和职位可以写在Word中的Windows Live作家，本土Blogger界面，或文本编辑器，导致吨不同形式的HTML。 有些职位没有标记段落，只使用双<br> S IN的段落，其他人之间的实际使用<p>标签。
什么是分析的标签这个不规范集团化的最佳方式？
此外，每个柱是不是一个完整的HTML文件-只是被插入到模板内，这意味着不存在整体HTML结构解析（一个片段<html><body></body></html>等等。）这是否对XML / HTML解析什么影响？
下面是一些潜在的例子，大多是标准的HTML，丢失的段落：
This is a section of a blog post. It has <a href="#">links</a> and lists and stuff. Weee....
<br>
<br>
Here's a list
<br/>
<br />
<ul><li>Item 1</li><li>Item 2</li><ul>
And another paragraph here...
<br>
<br/>
Etc.
在Word生成的HTML看起来像这样- http://www.timeatlas.com/mos/images/stories/word_html_tags.png
Word生成的HTML是相对容易对付。 我只想摆脱所有的标签属性的（除非你所关心的样式）。 这将生活与你相当普通的HTML，你可以再风格。
HTML :: TokeParser ::简单的可以帮助您实现这一相对轻松。
至于其他的东西，这将需要一些试验和错误。 我要更多地考虑的是后来后，如果我能想出聪明。
后来更新：
那么，这里的东西，让我畏缩了一点，但它似乎工作：
#!/usr/bin/perl
use strict;
use warnings;
use File::Slurp;
use Text::Markdown qw( markdown );
my $html = read_file \*DATA;
$html =~ s{(?:<br(:? ?/)*>)}{\n\n}g;
print markdown( $html );
__DATA__
This is a section of a blog post. It has <a href="#">links</a> and lists and stuff. Weee....
<br>
<br>
Here's a list
<br/>
<br />
<ul><li>Item 1</li><li>Item 2</li></ul>
And another paragraph here...
<br>
<br/>
输出：
<p>This is a section of a blog post. It has <a href="#">links</a> and lists and
stuff. Weee....</p>
<p>Here's a list</p>
<ul><li>Item 1</li><li>Item 2</li></ul>
<p>And another paragraph here...</p>
正如我在其他问题说，我喜欢XML ::嫩枝 。 它可以同时处理XML和HTML。
FWIW，我倾向于使用XML ::的libxml为我所有的XML和HTML的需求。 这里是一个班轮，将行的“坏”的HTML转换成一个结构良好的XHTML文档：
perl -MXML::LibXML -ne 'my $p = XML::LibXML->new->parse_html_string($_); print $p->toString'
在你的情况，你可能想使用DOM发出具有正确标签的新文档。 这是简单的; XML ::的libxml使用相同的W3C DOM的JavaScript一样。
作为一个例子，该输入：
<p>Foo<p>Bar<br>Baz!
被转换为：
<?xml version="1.0" standalone="yes"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body><p>Foo</p><p>Bar<br/>Baz!
</p></body></html>
这可能是你想要的，并记住，使用DOM来翻译......不用担心这个打印表示。
