Xerces-C:解析HTML中的Javascript

Question

我想解析网站的meta标签。为此，我使用xerces-c。

shared_ptr<SAX2XMLReader> parser(XMLReaderFactory::createXMLReader());

//Create and set callback handler with the given callback functions
Handler handler(startElement,endElement,characters);
parser->setContentHandler(&handler);
parser->setErrorHandler(&handler);

//Parse the file with the given callback handler
parser->parse(filename.c_str());

一些网站现在有javascript了。在脚本标记内部，javascript使用操作符&&进行逻辑and。

Xerces-C将其解释为实体引用(例如，)并抛出异常，因为它不知道实体引用。

有没有一种方法可以正确地把它读成文本？

或者如果没有-有没有方法可以忽略脚本标记中的所有字符？不管怎样，我不需要他们。我只想解析meta标签。

Answer 1

基本上，html不一定是格式良好的xml，但是，例如，您可以在提供给xml解析器之前使用tidy对其进行预处理。