我想编写一个Perl程序，使$_中的合理HTML5标记更好(“更有效” –我知道，听起来像“更怀孕”)。具体来说，我想尝试使用</p>标记正确关闭段落，就在浏览器将其关闭的地方。它是将html转换为xhtml的一步。这有助于我对全文进行后续文本分析。
HTML5规范说
p元素必须具有开始标签。 p元素后紧跟着p，address，article，aside，blockquote，dir，div，dl，fieldset，footer，form，h1，h2，h3，h4，h5， h6，header，hr，menu，nav，ol，p，pre，section或table元素ul元素。 问题:
a。例如，<p>将在<h1>HEADER</h1> Now is…之前插入一个<p>。我错了吗Now is…。我现在需要向前搜索直到结束。从26个标记中，找出一个段落的开头很容易。 <p>，还是需要对全栈机器进行编码(假设段落中的所有内容本身都是有效的XHTML)来检测封闭容器的结尾？ 感谢@Palec，我现在了解到段落在HTML中是一个奇怪的概念。尝试这个:
<!DOCTYPE html>
<html>
<head>
<style>
p { color: blue; }
p:before { content:"[SP]"; }
p:after { content:"[EP]"; }
</style>
</head>
<body>
l0
<h1> h1 </h1>
l0
<p> para
<p> para </p>
l0
<p>para
<ol>
<li> l0 <p> para </li>
</ol>
l0
</body>
</html>
这表明并非所有文本都至少是一个段落。我确实将其与LaTeX概念混淆了……并认为默认情况下，“0级”处的内容是一个段落。它不是。
请您参考如下方法:
段落的三个概念
HTML 5具有两个独立的概念:p元素和段落。我将此段称为结构性段。在现实世界中，我至少发现了另外两个相关概念:逻辑段落和印刷段落。
p element 已清除。您知道的，您已经在规范中引用了它的描述。
(Structural) paragraph 对我来说有点奇怪。屏幕阅读器或其他任何工具都可以使用它。它的定义基本上说这是phrasing content的非空运行，不会被其他类型的内容打扰(不考虑a，ins，del和map)。
逻辑段落是我认为人类认为的段落。它是一个带有单一思想的文本单元。当另一个(可能是相关的)想法开始时，该段中断并且开始一个新的想法。它由一系列句子组成。
每个句子不仅可以具有其语言结构，而且可以包含格式。格式不限于HTML所称的措辞内容，而是我将至少添加多行预格式化的代码段，列表，数学公式(可能跨越多行，显示来自TeX的数学运算)以及可以在中间使用的任何其他内容句子之间或句子之间，同时又不中断思路。逻辑段落和其他两个概念之间的巨大区别可以在我的问题List or longer code snippet inside paragraph中看到。
印刷段落由行的顺序而不是句子组成，并且可以包含印刷系统可以处理的所有内容。我最初认为它与逻辑段落完全相同，但事实并非如此。
当想到tex时，我想到了。您可能从latex中知道了这一点，它只是TeX的一大堆定义，并且具有与段落相同的概念。内容一直缓冲到\par(或内部翻译为\par的空行)得到满足为止，然后将其刷新为单个段落的输出。看起来像一个(逻辑)段落在内部可以是几个段落，因为必须使用它来实现排版算法的一些更复杂的行为。从这个角度来看，它更像是一个结构段落。
您的问题的答案
h1元素之后开始。但这不是p元素。它不能使用p选择器在CSS中设置样式，它不在文档的DOM树中等。在某些地方元素标记不在标记中，但仍会创建元素。对于那些可以省略其开始标记的元素，情况就是如此。这些是
html，head，body，colgroup和tbody。 (至少tbody过去在HTML 4中的行为不同，此行为来自XHTML。在HTML中，它不必存在。)p元素不是这种情况。 <p>(它不是有效的HTML 5)，您将如何纠正它？一旦不正确，通常就无法承担任何责任。还省略了结束标记是而不是不正确!这个列表项不是一个真正的问题，所以进一步……option(在select内)。这会破坏您的深度跟踪。当命名的元素之一开始，遇到
</p>关闭标签或遇到父元素的结尾时，该段落关闭。嗯当您仅在内部假设有效的XHTML时，您仍然需要对所有元素实施关闭规则，以便能够检测父元素的结尾……这并非易事。 HTML 5的HTML到XML序列化转换
在评论中，您说过将HTML 5转换为XHTML 5是您的用例。
不要使用正则表达式!
正则表达式并非旨在执行诸如解析HTML之类的复杂任务。您尝试的任何事情都只是一种启发。根本没有 True regular expressions cannot parse HTML，因为HTML并不是 regular language。让我们抛开一切，Perlre更加强大；权力越大，责任就越大，如果权力不对，就不要使用权力。关于这方面的问题，这是一个真正的艺术品，它带有一个 extremely famous answer。 Jeff Atwood撰写了 more on the topic，在开头引用了这个答案，并在本文的其余部分中解释了理解您的工具的重要性。
我认为实现此目标的文本级方法是不好的。 HTML通常被称为 tag soup，与Wikipedia所说的相反，我遇到了这个术语，指的是文本级方法来创建和修改它(即
document.write() 和
element.innerHTML )。
顺便说一句，这是XHTML通过废除真正解决的一件事。在JavaScript中，您不能将
document.write()与XHTML一起使用。如果可行，则说明您将HTML解析器与XHTML文档一起使用–将
Content-Type HTTP header 与
application/xhtml+xml; charset=utf-8一起使用，而不是
text/html所使用的MIME类型。
使用DOM
Clean Solution™是 DOM。
我相信您应该实现 HTML解析器(或使用其他实现)，获取DOM树，并将序列化器写入 XHTML。如果输入文档无效，则拒绝对其进行处理。或在程序中添加开关，以告诉它如何解决解析算法无法处理的某些错误。可能有很多方法。
我不确定如果您对规范的哪些部分不感兴趣，可以随意忽略。解析算法是标准化的，并且还指定了错误处理。您可以找到一种快捷方式，无需创建DOM树的一部分，而只需将输入的相应部分保留为未解析状态，但必须确保继续在输入的正确位置进行解析。这可能会变得凌乱，并且绝对容易出错。因此，我建议您不要这样做。
实际解决方案
实际上，似乎可以使用至少两个现有模块。
Mojolicious是包含 Mojo::DOM模块的Web框架。如果不需要DOM操作，而只需要解析和序列化，则可以使用基础 Mojo::DOM::HTML。 Mojo::DOM可以使用
my $dom = Mojo::DOM->new($html_markup);解析HTML，可以将生成的DOM对象设置为通过
$dom->xml(1);使用XML序列化，并且序列化可以作为
$xhtml_markup = "$dom";或
$xhtml_markup = $dom->to_string();返回。来自Mojo::DOM POD:“Mojo::DOM是具有CSS选择器支持的简约且轻松的HTML / XML DOM解析器。它甚至会尝试解释损坏的XML，因此您不应将其用于验证。”在
answer by amon中使用的示例。如果您已经使用Mojolicious，则可能要使用此解决方案，否则，安装整个大型框架对于这项工作来说是过大的选择。
HTML::HTML5::Parser和 HTML::HTML5::Writer模块可以分别用于HTML 5的解析和序列化。他们似乎只有几个依赖性。使用它们的漂亮代码可以在其作者 answer by tobyink中找到。对于尚未使用Mojolicious的用户来说，这应该是一个解决方案。
