Question

我有这段html

<div>
  Outside paragraph
  <p>In paragraph</p>
</div>

如您所见，有Outside paragraph个文本位于段落之外，是不希望出现的情况。

是否有任何AngleSharp方法（如果没有Anglesharp，则没有其他方法）可以让我归一化/修复这段html，如下所示：

<div>
  <p>Outside paragraph</p>
  <p>In paragraph</p>
</div>

因此，有一段代码会将Outside paragraph放入段落

Answer 1

AngleSharp没有提供这种自定义逻辑，但是给您提供了推出自己的规范化方案的机会。

在下面的示例中，我使用TreeWalker简化了仅对文本节点的迭代。

代码查找给定条件以动态插入段落。

var context = BrowsingContext.New();
var document = await context.OpenAsync(res => res.Content("foo<div>Outside<p>Inside</p></div>bar"));
var walker = document.CreateTreeWalker(document.Body, AngleSharp.Dom.FilterSettings.Text);

while (walker.ToNext() != null)
{
    var current = walker.Current;

    // if just whitespace, e.g., formatting line breaks, or in p anyway - skip
    if (
        (current.TextContent.Trim().Length == 0) ||
        (current.ParentElement.LocalName == "p"))
    {
        continue;
    }
    // if next to paragraph perform the normalization
    else if (
        (current.PreviousSibling is IElement previous && previous.LocalName == "p") ||
        (current.NextSibling is IElement next && next.LocalName == "p"))
    {
        var newNode = document.CreateElement("p");
        current.ReplaceWith(newNode);
        newNode.Append(current);
    }
}

document.Body.ToHtml().Dump();

转储结果如下：

<body>foo<div><p>Outside</p><p>Inside</p></div>bar</body>

这可能不是您所需要的一切，但应该为您提供正确方向的指针。

注意：您还可以滚动自己的（递归）迭代或使用例如自定义IMarkupFormatter进行标准化为序列化。有多种方法。给定的一个更改了DOM-这样可能会进行进一步的操作（而不仅仅是序列化）。

希望有帮助！

Anglesharp规范化/修复HTML

1 个答案: