强制HTML段中的结束标记或忽略丢失的结束标记

Question

当创建显示较大html doc（前x个字符）的子集的rss feed时，我遇到了一些问题，其中一些标签以“前x个字符”开头，但结尾标记在该范围之外。如果Feed的使用者尝试在Feed中呈现html，这可能会导致一些有趣的问题，因为它可能会在显示Feed的页面中导致意外的渲染问题。

我认为这是一个常见的问题，很快以前RSS编辑和读者解决了，但我似乎无法弄清楚如何实现它，而不是试图解析Feed中的html并添加丢失的结束标记变得凌乱。任何建议将不胜感激。提前谢谢。

克里斯

Answer 1

如果你使用php，一个很好的解决方案是HTMLPurifier。它将清理它并使其完全安全地重新传输。

Answer 2

不确定这是否适合您的项目，但我在FeedDemon中使用HTML Tidy。

Answer 3

较大的文件来自哪里？如果存在生成HTML的源文本，那么很多更容易截断它并从截断版本重新生成HTML，而不是处理部分HTML的问题。要完全正确地执行此操作，您基本上需要重新解析并重新序列化HTML。

无论如何，RSS里面的HTML仍然很麻烦。你可能最好剥离所有标签，然后在剩下的内容上做一个简单的文本截断。