现在的一些程序员写出来的HTML编码真不规范

Question

最近打算做一个Html解析的类，粗写了一个，大多数都解析了，可是发现现在的Html代码不是一般的不规范，无语啊。
我用的还是一个算是大型网站的网页做测试的，把不规范之处贴出来大家看看。这只是一部分，还有单引号，双引号只有一半的，单引号，双引号，没引号混用的，搞得我现在写的解析类还有一个没解决的问题，就是如果代码中只有标签开头，没有结尾怎么判断处理？
<table>
<tr>
<td>
<div class="ContentDiv">
<div id="MenuBg">
<div style="float:left">
<a>
商城</span></a>
</div><div style="float:left">
<a>
俱乐部</span></a>
</div>
</div>
</div>
</td>
</tr><tr>
<td>
<table>
<tr>
<td>
<table>
<tr>
<td height="35">
<table>
<tr>
<td align="right">
<table><tr></td></tr></table>
</td></tr>
</table>
</td>
</tr>缺少TR结尾
<tr>
<td>
<tr>
<td align="right">
<table><tr></td></tr></table>
</td>
</tr>
</table>
</td>
</tr>
</table>
</td>
</tr>
</table>
</td>
</tr><tr>
<td>
<TABLE>
<TR height="23">
<TD vAlign="top"></TD>
</TD>
<TD width="742" height="105" rowSpan="3">
<table>
<tr>
<td></></td>
</tr>
</table>
</TD>
</TR>
</TABLE>
</td>
</tr>
</table>

Answer 1

 哈哈  我看晕了。 这都是ide 害得 。 都成习惯了。 
 因为这是 系统生成的 ，修改时  不加整理。 
唉 确实可叹啊。

Answer 2

呵还好我还保持着优良的CODEING习惯HOHOHO

Answer 3

你可以参考各个浏览器内核对这种情况的处理.MSDN有篇讲述IE内核Trident的up service的文章, 也有相关内容.

Answer 4

二次过滤啊，把<>之间的全部用正则去掉

Answer 5

同情lz, 无奈... 问问IE的解析器是怎么做的吧

Answer 6

如果html代码不规范，一般的爬虫的处理办法就只有采用模板了，就是对每种类型的网站定义一个采集规则的模板进行解析;你看下现在网络上一般的采集软件都是用的这种方法.

Answer 7

我也遇到這個問題了,解析幾個網站，沒一個能共用代碼。html都不同，所以都得為每個寫一個解析規則

Answer 8

这是不规范吗？
哦.不符合html规范......

Answer 9

这种情况很常见啊 ，大点的网站都有自己的美工，
而美工 大都不懂ASP.NET规则，只是按照HTML能通过的方式去做
这样的结果在ASP.NET中看这些HTML代码 就会有很多问题啊。