Question

我的原始问题是我正在尝试将包含html标记的字符串序列化为XML元素。

hello <a href="world.php">World</a>, this

is
a nice
test

<ul>
  <li>to demonstrate my issue</li>
  <li>and find a solution</li>
</ul>

但是，我有2个问题

将HTML序列化为XML：我没有成功定义Serializable类以使用XmlSerialze正确序列化，因此我认为使用CDATA部分可能是更好的方法。然而，目标工具（我对其没有影响）没有正确地反序列化。我需要的是xml输出文件中的简单和正确的html（XHMTL？）。

<p>

<br>

here

    string result = "<p>" + text
     .Replace(Environment.NewLine + Environment.NewLine, "</p><p>")
     .Replace(Environment.NewLine, "<br />")
     .Replace("</p><p>", "</p>" + Environment.NewLine + "<p>") + "</p>";

但是，这并非在所有情况下都生成有效的html。在上面的示例中，它会在<br />代码之间创建<li>或在<ul>代码中生成<p>代码 - 这两种情况都是不允许的。

目标是获得如下结果（换行符只是为了更好的可读性而且无关紧要）

<p>hello <a href="world.php">World</a>, this</p>
<p>is<br/>
a nice<br/>
test<br/></p>
<ul>
  <li>to demonstrate my issue</li>
  <li>and find a solution</li>
</ul>

您是否有任何建议如何使用string.Replace，Regex或更好的解决方案（HtmlDocument）来解决这个问题？

请注意：我对反序列化没有影响，XML输出由I工具评估我没有影响，它必须是UTF-8编码。

谢谢！

编辑：明确区分了2个问题

EDIT2：对反序列化没有影响

EDIT3：添加了目标输出

Answer 1

您要做的是实现一个"tag soup parser"，它将可能是或不是HTML的文本作为输入并将其转换为HTML解析器可以处理的有效DOM。

你不想重新发明这个轮子，绝对不是简单的字符串替换。有关提示，请参阅How to parse bad html?。

或者您可以对输入HTML进行编码，使其不会干扰您尝试将其放入的XML，like a CDATA section或base64-encoding输入也足够。不要使用“实体编码”，因为您的XML解析器会抱怨不是XML实体的HTML实体。

Answer 2

我必须做类似的事情（确保第三方内容具有有效的HTML）。如果我这样做，我会做以下事情：

1）用HTML换行符替换换行符

string result = text.Replace(Environment.NewLine, "<br />");

2）使用HTMLAgility包修复任何无效的HTML

    var doc = new HtmlDocument();
    HtmlNode.ElementsFlags["p"] = HtmlElementFlag.Closed;
    doc.OptionFixNestedTags = false;
    doc.LoadHtml(result);

    if (doc.ParseErrors.Count() > 0)
    {
                // throw error
    }else{
                // get fixed html
                 result= doc.DocumentNode.OuterHtml;
    }

使用C＃将不正确的html字符串转换为真正的html

2 个答案: