前言
最近在搞自动登录系统的框架。拿开心网001来实验，可是非常郁闷，我发现开心网的html页面是我所见到的所有页面中最不规范的。
水平之烂，第一次见。在php中夹杂Javascript，javascript有使用了php动态生成变量；在div布局中又嵌入table；json格式乱七八糟，根本没有统一的模型规范。
html标签不应该关闭的关闭，应该关闭的开着，几乎就是混乱。
我实在怀疑kaixin001到底能走多远。在几乎摇摇欲坠的架构上面开发，到底还有多少潜力？
虽然整个kaixin001如此之烂，而更令我惊奇是，无论IE、firefox、chrome依然能够正确的解析页面布局。实在佩服这些html解析器的内核，竟然可以容忍这么垃圾的html布局。
正文
使用网络蜘蛛，首先必然要对html进行对象化，变成html树，然后再根据 class / id，甚至节点的位置获取自己需要的信息。
可以开心网的html如此之烂，采用标准的html规范解析，一定会崩溃的；既然ie的内核能够正确解析这种html，那么我一定可以进行类似的智能修正操作。
首先看一段kaixin001恶心的html代码，找找其中的问题。
代码：
<div class="dxx_of" id="message7" onmouseover="msgOnmouseover(7)" onmouseout="msgOnmouseout(7)" /> ---------- 问题1：毫无道理的中断
<div class="dxx1" style="padding: 15px 10px;">
</div>
<div class="dxx4">
<div class="l50_s" id="icon7">
<a href="/home/?uid=14682889" title="陈晨">
<img src="http://pic1.kaixin001.com.cn/logo/68/28/50_14682889_24.jpg" width="50"
height="50" /></a></div>
<div style="text-align: center; margin-top: -8px;">
<a href="/home/?uid=14682889" class="sl" title="陈晨">陈晨</a></div>
</div>
<div class="dxx5" style="width: 120px;">
<div class="c9 f10">
3月24日</div>
<div style="display: none; border: 1px solid #EEC0C7; padding: 2px 5px 0 5px; color: #EEC0C7;">
群发</div>
</div>
<div class="dxx6">
<table width="470" class="aa" border="0" cellpadding="0" cellspacing="0">
<colgroup>
<col width="463" />
</colgroup>
<tbody>
<tr basestyle="oRowLine2">
<td style="white-space: normal" valign="top" onclick="javascript:clickDirect('/msg/view.php?thread_mid=1871989755&pos=6');">
<img onload='_commentImageResize(this,350);' title="微笑" src="http://img1.kaixin001.com.cn/i/face/2.gif">
<div>
<span class='c9'>共2条会话</span><a href="/msg/view.php?thread_mid=1871989755&pos=6"
class="sl">+展开</a></span> -------- 问题2：没有根据的结束符 </div>
<span class="c9"></span>
<div class="msg_encl" style="display: none;">
<img src="http://img.kaixin001.com.cn/i/enclosure.gif" />
此消息含有0个附件</div>
</td>
</tr>
</tbody>
</table>
</div>
<div class="dxx4" style="width: 78px;">
<div>
<a class="sl" href="/msg/view.php?thread_mid=1871989755&pos=6" title="查看该消息">查看该消息</a></div>
<div>
<a class="sl" href="/msg/view.php?thread_mid=1871989755&pos=6" title="回复该消息">回复该消息</a></div>
<div>
<a class="sl" href="/msg/write.php?thread_mid=1871989755" title="转发该消息">转发该消息</a></div>
<div id="Div6" style="display: none;" title="举报不良短消息">
<div class="l">
<a class="sl cp" style="text-decoration: underline;" onclick="javascript:report(14682889,'1871989755');"
onmouseover="javascript:$('reportimg').src='/uploads/allimg/100331/200935O28-1.gif'"
onmouseout="javascript:$('reportimg').src='/uploads/allimg/100331/2009353146-2.gif'"
target="reportspam" title="举报不良短消息">不良短消息</a> </div>
<div class="l mt5">
<img id="Img6" onclick="javascript:report(14682889,'1871989755');" onmouseover="this.src='/uploads/allimg/100331/200935O28-1.gif'"
onmouseout="this.src='/uploads/allimg/100331/2009353146-2.gif'" src="/uploads/allimg/100331/2009353146-2.gif"
width="14" height="12" alt="举报不良短消息" /></div>
<div class="c">
</div>
</div>
</div>
<div class="dxx7" id="delete7">
<a href="javascript:delThread('1871989755', '0');" title="删除该条消息包含的所有会话">
<img src="http://img.kaixin001.com.cn/i/close.gif" /></a></div>
<div class="c">
</div>
</div>
-------- 问题1：这个应该是开始的div的结束符
还有类似的代码，例如：
<input type=hidden name=id_2 value="9813861"> --------- 没有关上标签
<input type=hidden name=num_2 value="0">
<input type=hidden name=del_2 value="0">
总之，问题数不胜数。我大概列举一下：
1. 标签是否关闭问题
根据html规范，部分标签是不允许有子节点，例如br / hr / input / img 因此读取到当前节点之后，不会进行嵌套读取。
2. 布局的混乱
在第一个例子里面，
<div class="dxx_of" id="message7" onmouseover="msgOnmouseover(7)" onmouseout="msgOnmouseout(7)"/>
div过早的关闭了，如果按照html规范递推建立节点，则会导致子节点无法正确的建立。解决方法就是，当遇到当前节点是关闭的节点，例如<a xxx />，同时允许带有子节点，则进入递归继续读取。
3. 遇到结束节点
例如第一个例子里面多余的</span>，要解决这种问题，就需要对递归保存递归路径，使用堆栈Stack。当发生递归后，压入当前节点名称到堆栈，所以读取了结束节点，则判断是否在堆栈中出现过，如果没有，自动丢弃。
结束语
基本上以上3点，可以处理大部分的html代码了。只是还有一个问题，就是第二点的解决方案。
因为我是默认了可以包含子节点的html标签，忽略关闭记号继续迭代（忽略 />） ，则如果当前节点的确是需要关闭的，那么怎么办？？
如果我知道ie的优化算法，估计这个问题可以被解决。
做网络爬虫的人应该占大多数，希望大家给点资料。
作者：美丽人生 出处：http://zc22.cnblogs.com/