Как исправить плохо сформированный HTML с помощью HTML Agility Pack?

.net c# html html-agility-pack parsing

Вопрос

У меня этот плохо сформированный HTML с перекрывающимися тегами:

<p>word1<b>word2</p>
<p>word3</b>word4</p>

Наложение также может быть вложенным.

Как я могу преобразовать его в хорошо сформированный HTML с HTML Agility Pack (HAP)?

Я ищу этот результат:

<p>word1<b>word2</b></p>
<p><b>word3</b>word4</p>

Я попробовал HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap , но он не работает HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap .

Принятый ответ

Он работает так, как ожидалось, но, возможно, не работает так, как вы ожидали. В любом случае, здесь приведен пример кода (приложение консоли), в котором показано, как вы можете добиться некоторых исправлений HTML с помощью библиотеки.

Библиотека имеет коллекцию ParseErrors которую вы можете использовать для определения того, какие ошибки обнаруживались во время разбора разметки.

Здесь есть два типа проблем:

1) незамкнутые элементы . Эта по умолчанию исправлена ​​библиотекой, но есть опция на элементе P, которая предотвращает это в этом случае.

2) неоткрытые элементы . Это сложнее, потому что зависит от того, как вы хотите его исправить, где вы хотите открыть тег? В следующем примере я использовал ближайший предыдущий текстовый узел, чтобы открыть элемент.

static void Main(string[] args)
{
    // clear the flags on P so unclosed elements in P will be auto closed.
    HtmlNode.ElementsFlags.Remove("p");

    // load the document
    HtmlDocument doc = new HtmlDocument();
    doc.Load("yourTestFile.htm");

    // build a list of nodes ordered by stream position
    NodePositions pos = new NodePositions(doc);

    // browse all tags detected as not opened
    foreach (HtmlParseError error in doc.ParseErrors.Where(e => e.Code == HtmlParseErrorCode.TagNotOpened))
    {
        // find the text node just before this error
        HtmlTextNode last = pos.Nodes.OfType<HtmlTextNode>().LastOrDefault(n => n.StreamPosition < error.StreamPosition);
        if (last != null)
        {
            // fix the text; reintroduce the broken tag
            last.Text = error.SourceText.Replace("/", "") + last.Text + error.SourceText;
        }
    }

    doc.Save(Console.Out);
}

public class NodePositions
{
    public NodePositions(HtmlDocument doc)
    {
        AddNode(doc.DocumentNode);
        Nodes.Sort(new NodePositionComparer());
    }

    private void AddNode(HtmlNode node)
    {
        Nodes.Add(node);
        foreach (HtmlNode child in node.ChildNodes)
        {
            AddNode(child);
        }
    }

    private class NodePositionComparer : IComparer<HtmlNode>
    {
        public int Compare(HtmlNode x, HtmlNode y)
        {
            return x.StreamPosition.CompareTo(y.StreamPosition);
        }
    }

    public List<HtmlNode> Nodes = new List<HtmlNode>();
}


Related

Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему
Лицензировано согласно: CC-BY-SA with attribution
Не связан с Stack Overflow
Является ли этот КБ законным? Да, узнайте, почему