是否可以修复未转义的html＆lt;和＆gt;字符？

Question

例如，如果我有这个html：

<div>this is a test < text</div>

＆lt;测试后是一个错误，正确的HTML应该是

<div>this is a test &lt; text</div>

但我有很多错误的html文件没有编码，我需要修复此错误，以便我以后可以解析它们。原始数据源不可用，因此唯一的选择是修复我的这个html。

嗯，同样适用于＆gt;字符和具有两者的文本＆lt;和＆gt;字符如“＆lt; 2000＆gt; - ＆lt; 2004＆gt;”。我想听听可以帮助我的算法或库的想法。感谢。

注意：上面的html示例是一个示例，工作应该在大的html文件上完成。

Answer 1

我建议：

识别并映射所有已知标记的位置，例如<div>和</a>。 替换＆lt;和＆gt;您在步骤1中构建的地图之外的任何地方。

Answer 2

1）对于所有已知的html标签，请替换＆lt;＆gt;使用其他一些字符，例如{{{和}}}。你可以或多或少地使用正则表达式：

Regex.Replace(source,"</?((b|a|i|table|td|all|other|known|html|tags)( [^>]*))>","{{{$1}}}");

2）替换＆lt;与＆lt;和＆gt;使用＆gt;

3）替换{{{with＆lt;和}}}使用＆gt;

Answer 3

使用像HTML Agility Pack这样的“轻松”HTML解析器非常合适。您按照库解释的方式获取树，然后在每个节点值中替换＆lt;和＆gt;适合他们的同行。

请点击此处查看示例：Iron python, beautiful soup, win32 app

Answer 4

执行此操作的一种缓慢方法是将每个HTML文件视为XML文件。然后解析该XML文件的每个节点，并对节点的内容执行Server.HTMLEnocde。由于HTML只是一组定义的XML，因此应该可以使用。