Como parte de um procedimento, preciso extrair o conteúdo de uma tabela presente em uma página. Estou usando cURL para obter os dados brutos em HTML e o Simple HTML DOM Parser para analisar e processar o HTML.
<?php
// (...)
require_once('simple_html_dom.php');
// (...)
$objPagina = str_get_html($strPagina);
$objItems = $objPagina->find('table', 0);
echo $objItems->outertext;
?>
A princípio tudo funciona conforme desejado. Porém, em um caso específico o HTML recebido está mal-formado. Nesse momento o Simple HTML DOM Parser não consegue processar corretamente o HTML e retorna um resultado incorreto.
O navegador consegue exibir corretamente o conteúdo, mas até onde eu sei os navegadores são projetados para renderizar corretamente um HTML malformado. De fato, se eu abrir as "ferramentas de desenvolvedor" do Firefox, copiar o HTML exibido ali, colar como um arquivo de texto e usar este texto como fonte para o parser, eu consigo obter o resultado desejado.
Já que não posso modificar o HTML que recebo, o que posso fazer para processar programaticamente o HTML? Me parece que não devo usar expressões regulares.