Question

我需要能够从包含存储在数据库中的XHTML的字符串中删除非XHTML标记。该字符串还包含XHTML内部控件（例如）的引用，但我需要干净的XHTML，所有标准标记内容都保持不变。

这些控制标签是多种多样的（它们可以是任何ASP.NET控件），所以有太多的东西要去寻找每一个并删除它们。他们关闭的方式也各不相同，因此并非所有人都有结束标签，有些人会自行关闭。

我该怎么做呢？我发现一些HTML清理工具在线包含在我的项目中，但他们要么删除所有内容，要么只对整个字符串进行HTML编码。

另外，我正在处理部分XHTML文档，而不是整个文档 - 不知道这是否会产生影响。

任何帮助都将不胜感激。

一个例子（不是太棒了，但是让你知道我在做什么）：

<p><mycontrols:mycontrol myproperty="hello world" myproperty2="7"><SPAN><a href="#"><img title="an example image" height="68" width="180" alt="an example image" src="images/example1.gif"></a></span></mycontrols:mycontrol><a href="#"></a></p>

需要成为：

<p><a href="#"></a></p>

Answer 1

我不知道C＃，但我确信它有一些宽松的HTML DOM解析器 - 宽松，因为它可以正常处理自我或非关闭标签。

我想除了将树与这样的库混淆之外没有其他事可做，抛弃任何与valid XHTML tags list不匹配的节点，并将其重新包装回字符串中。

Answer 2

是的，这就是我做到的。使用HtmlAgilityPack。（http://htmlagilitypack.codeplex.com/）

这似乎有点太容易了，让我觉得我忽略了它的可能问题，但这里是代码：

// Allowed Tags: http://www.w3schools.com/tags/default.asp
string[] allowedTags = { "a", "abbr", "acronym", "address", "applet", "area", "b", "base", 
   "basefont", "bdo", "big", "blockquote", "body", "br", "button", 
   "caption", "center", "cite", "code", "col", "colgroup", "dd", 
   "del", "dfn", "dir", "div", "dl", "dt", "em", "fieldset", "font", 
   "form", "frame", "frameset", "h1", "h2", "h3", "h4", "h5", "h6", 
   "head", "hr", "html", "i", "iframe", "img", "input", "ins", "isindex", 
   "kbd", "label", "legend", "li", "link", "map", "menu", "meta", 
   "noframes", "noscript", "object", "ol", "optgroup", "option", "p", 
   "param ", "pre", "q", "s", "samp", "script", "select", "small", 
   "span", "strike", "strong", "style", "sub", "sup", "table", "tbody", 
   "td", "textarea", "tfoot", "th", "thead", "title", "tr", "tt", "u", 
   "ul", "var", "xmp" };


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

fullHtml.LoadHtml(myStringOfHtml);

HtmlAgilityPack.HtmlNodeCollection allNodes = fullHtml.DocumentNode.SelectNodes("//*");

if (allNodes != null)
{
    foreach (var item in allNodes)
    {
        if (!allowedTags.Contains(item.Name))
            item.Remove();
    }
}

string output1 = fullHtml.DocumentNode.InnerHtml;

如果您认为这有任何问题，请告诉我。我正在处理的HTML总是有结束标记，并且（相对）格式良好，因为它是通过另一家公司编写的自定义HTML检查程序，然后将其存储在数据库中。所以我不确定这对于格式错误的HTML是如何工作的。

感谢Pekka建议采取'搜索和破坏'方法。

如何从C＃中的字符串中删除非XHTML标记？

2 个答案: