如何在XSLT 3.0中修复HTML标记？类似Python的Beautifulsoup、Java的tagsoup

一、修复不规范HTML标记的方法 #

XSLT 3.0本身没有内置HTML修复工具，但可以通过以下方式实现类似BeautifulSoup/TagSoup的功能：

• 使用支持HTML解析的XSLT处理器：比如Saxon PE/EE版本提供的parse-html()函数，能直接解析不规范的HTML（包括未闭合标签、省略结束标签的元素等），并将其转换为符合XML结构的节点树，后续即可用XSLT正常处理。示例代码：

<xsl:template match="/">
  <!-- 模拟带有未闭合<br>的不规范HTML -->
  <xsl:variable name="invalid-html" select="'<div>Line 1<br>Line 2</div>'" />
  <!-- 解析并修复HTML -->
  <xsl:variable name="fixed-html-tree" select="parse-html($invalid-html)" />
  <!-- 输出修复后的内容 -->
  <xsl:copy-of select="$fixed-html-tree//div" />
</xsl:template>

• 扩展函数调用外部库：若使用其他处理器，可通过扩展函数调用外部HTML修复库（比如Java环境下调用TagSoup），但这种方式依赖具体的处理器配置和运行环境。

二、解决parse-xml-fragment因未闭合标签报错的问题 #

parse-xml-fragment()要求输入必须是合法的XML片段，未闭合的<br>属于HTML语法，不符合XML规范，因此会触发错误。解决思路：

• 优先用HTML解析函数预处理：先用parse-html()将不规范HTML转换为XML兼容的节点树，再从树中提取需要的片段进行处理，而非直接用parse-xml-fragment()处理原始HTML文本。
• 简单场景下手动修正标签：如果只是少量简单的未闭合标签（如<br>），可以先通过字符串替换将<br>改为<br/>，再传入parse-xml-fragment()，但这种方法仅适用于结构简单的HTML，复杂场景仍需专业解析器。

内容的提问来源于stack exchange，提问作者Rupesh_Kr