我想在 HTML 源上使用 BaseX 运行一些 XQuery 命令，这些命令可能充满了必须删除的<script>、<style> 节点以及必须具有的未闭合标签（<br>、<img>）一双。 （例如this page的脏源）
"Converting HTML to XML" 建议使用 Tidy，但它没有 GUI，而且在我的源代码上似乎无法正常工作（它什么也不输出），我怀疑它是否会删除脚本和其他不必要的标签。顺便说一句，它很旧了。
由于我没有找到任何满足我需求的问题，所以我再次询问。因为和编码和查询的工具非常接近，所以在这里问。
【问题讨论】：
标签： html xml converter xquery basex
BaseX has integration for TagSoup，它将 HTML 转换为格式良好的 XHTML。
BaseX 的大多数发行版已经捆绑了 TagSoup，如果您从 Linux 存储库安装 BaseX，您可能需要手动添加它（例如，在 Debian 和 Ubuntu 上，它被称为 libtagsoup-java）。上面链接的文档中提供了不同安装选项的更多详细信息。
之后，使用命令将 TagSoup 解析器设置为默认值
SET PARSER html
或在 XQuery 序言中使用
declare option db:parser "html";
然后，只需获取您想要的文档。您链接的亚马逊网站的示例：
declare option db:parser "html";
doc('http://www.amazon.com/s/ref=nb_sb_noss?url=search-alias%3Daps&field-keywords=camera')
这应该可以，但不行。我正在询问主要开发人员的原因（似乎是因为某些 HTTP 重定向），并且会在问题解决后更新答案（或者我理解为什么这不起作用）。在那之前的解决方法是将文档作为文本获取并将其解析为 HTML：
html:parse(fetch:text('http://www.amazon.com/s/ref=nb_sb_noss?url=search-alias%3Daps&field-keywords=camera')
【讨论】：
curl -L 获得了有效结果。他们可能会阻止您进行过多的查询。无论如何，也许您应该考虑使用他们的 API——无论如何，这应该始终是站点抓取的首选。