Question

我需要解析一大块html，我从一个页面获取到一个xml。当我将它们放入XmlDocument时，大多数标签转换得很好，除了未关闭的自闭标签（xmlDocument不喜欢这些标签）。不幸的是，我不能在页面本身添加这些，因为它是由第三方引擎生成的。所以我必须自己添加它们。我在Regex上的表现不是很好，所以我需要一些关于如何将这些“/”添加到其中一个

的帮助

感谢任何输入。

Answer 1

我建议使用HTML Agility Pack来解析它。该包具有写入XML的能力，并将为您处理所有标签的关闭（以及CDATA包装和您可能遇到的其他棘手问题）。例如，这就是将HTML转换为XML的方法：

HtmlAgilityPack.HtmlDocument doc = new HtmlAgilityPack.HtmlDocument();

string HTML = "<HTML><body><a href ='something'> <img src='a.jpg'></a></HTML>";

doc.LoadHtml(HTML);
MemoryStream ms = new MemoryStream();
XmlWriter xml = XmlWriter.Create(ms);
doc.OptionOutputAsXml = true;
doc.Save(xml);

ms.Position = 0;
StreamReader sr = new StreamReader(ms);
Debug.WriteLine (sr.ReadToEnd());

呈现输出：

<?xml version="1.0" encoding="iso-8859-1"?><html><body><a href="something"> <img src="a.jpg" /></a></body></html>

Answer 2

HTML不是XML。别试试。它不会起作用。即使现在有效，也不会明天。如果您想要一个示例，请尝试将以下内容解析为XML，即使它是完全有效的HTML：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
  "http://www.w3.org/TR/html4/strict.dtd"> 
<HTML/
  <HEAD/
    <TITLE/>/
     <P/>

使用HTML解析器;我可以推荐HTML敏捷包。

Answer 3

对于非标准代码，您可能需要将代码名称添加到HtmlAgilityPack.HtmlNode.ElementsFlags。

实施例。 HtmlAgilityPack.HtmlNode.ElementsFlags.Add（＆＃34; spanspec＆＃34;，HtmlElementFlag.Empty）;

为自动关闭标签添加斜杠

3 个答案: