HtmlAgilityPack che causa problemi con l'html malformato

c# html-agility-pack

Domanda

Voglio estrarre un testo significativo da un documento html e stavo usando html-agility-pack per lo stesso. Ecco il mio codice:

string convertedContent = HttpUtility.HtmlDecode(
    ConvertHtml(HtmlAgilityPack.HtmlEntity.DeEntitize(htmlAsString))
);

ConvertHtml:

public string ConvertHtml(string html)
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(html);

    StringWriter sw = new StringWriter();
    ConvertTo(doc.DocumentNode, sw);
    sw.Flush();
    return sw.ToString();
}

Convertire in:

public void ConvertTo(HtmlAgilityPack.HtmlNode node, TextWriter outText)
{
    string html;
    switch (node.NodeType)
    {
        case HtmlAgilityPack.HtmlNodeType.Comment:
            // don't output comments
            break;

        case HtmlAgilityPack.HtmlNodeType.Document:
            foreach (HtmlNode subnode in node.ChildNodes)
            {
              ConvertTo(subnode, outText);
            }
            break;

        case HtmlAgilityPack.HtmlNodeType.Text:
            // script and style must not be output
            string parentName = node.ParentNode.Name;
            if ((parentName == "script") || (parentName == "style"))
                break;

            // get text
            html = ((HtmlTextNode)node).Text;

            // is it in fact a special closing node output as text?
            if (HtmlNode.IsOverlappedClosingElement(html))
                break;

            // check the text is meaningful and not a bunch of whitespaces
            if (html.Trim().Length > 0)
            {
                outText.Write(HtmlEntity.DeEntitize(html) + " ");
            }
            break;

        case HtmlAgilityPack.HtmlNodeType.Element:
            switch (node.Name)
            {
                case "p":
                    // treat paragraphs as crlf
                    outText.Write("\r\n");
                    break;
            }

            if (node.HasChildNodes)
            {
            foreach (HtmlNode subnode in node.ChildNodes)
             {
              ConvertTo(subnode, outText);
             }
            }
            break;
    }
}

Ora, in alcuni casi, quando le pagine html sono malformate (ad esempio la seguente pagina - http://rareseeds.com/cart/products/Purple_of_Romagna_Artichoke-646-72.html ha un meta-tag malformato come <meta content="text/html; charset=uft-8" http-equiv="Content-Type"> ) [Nota" uft "invece di utf] il mio codice sta vomitando nel momento in cui sto cercando di caricare il documento html.

Qualcuno mi può suggerire come posso superare queste pagine html malformate e ancora estrarre testo rilevante da un documento html?

Grazie, Kapil

Risposta accettata

Come si dice nella pagina del progetto HtmlAgilityPack "Il parser è molto tollerante con l'HTML malformato" del mondo reale ". Ma il tipo di errore che descrivi è troppo serio forse per essere corretto. Puoi impostare la codifica predefinita con:

 HtmlDocument doc = new HtmlDocument();
 doc.OptionDefaultStreamEncoding = Encoding.UTF8;


Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché
Autorizzato sotto: CC-BY-SA with attribution
Non affiliato con Stack Overflow
È legale questo KB? Sì, impara il perché