使用 C# 从 html 中删除自定义 xml 标签

Posted 2023-03-05

【中文标题】使用 C# 从 html 中删除自定义 xml 标签

【英文标题】：Using C# to remove custom xml tags from html

【发布时间】：2016-01-30 18:47:39

【问题描述】：

我有一个带有一些 html 代码的字符串。但是我需要将该 html 解析为XDocument。

string input = String.Concat("<root>", htmlString, "</root>");
var doc = XDocument.Parse(input);

但有时在我的htmlString 中有<o:p></o:p> 之类的标签，例如在XDocument.Parse() 中我得到了例外：

':' 字符，十六进制值 0x3A，不能包含在 姓名。第 1 行，位置 650。

如何删除该标签或至少替换标签名称中的':'？

在进行解析之前，我尝试删除/替换 ':' 但它不起作用：

try

    Regex regex = new Regex(@"<[:][^>]+>.+?</\[:]>");
    while (regex.IsMatch(htmlString))
    
        htmlString= regex.Replace(htmlString, "");
    

catch  

HTML 示例

<p>Some text</p>

<p class="MsoNormal" style="TEXT-ALIGN: justify; MARGIN: 0cm 0cm 0pt; LINE-HEIGHT: 150%">
    <?xml:namespace prefix="o" ns="urn:schemas-microsoft-com:office:office"?>
    <o:p> </o:p>
</p>

<p>More text</p>

更新

我正在使用HtmlAgilityPack，但它不会删除此标签。

我的代码

ConfigureHtmlDocument();

var htmlDoc = new HtmlDocument();
htmlDoc.OptionFixNestedTags = true;
htmlDoc.LoadHtml(htmlString);

var htmlError = htmlDoc.ParseErrors.SafeAny();

if (!htmlError)
    htmlString= htmlDoc.DocumentNode.InnerHtml;

try

    Regex regex = new Regex(@"<[:][^>]+>.+?</\[:]>");
    while (regex.IsMatch(htmlString))
    
        htmlString= regex.Replace(htmlString, "");
    

catch  

string input = String.Concat("<root>", htmlString, "</root>");
var doc = XDocument.Parse(input);

//more code

ConfigureHtmlDocument()

    if (!HtmlNode.ElementsFlags.ContainsKey("p"))
        HtmlNode.ElementsFlags.Add("p", HtmlElementFlag.Closed);
    else
        HtmlNode.ElementsFlags["p"] = HtmlElementFlag.Closed;

    if (!HtmlNode.ElementsFlags.ContainsKey("ul"))
        HtmlNode.ElementsFlags.Add("ul", HtmlElementFlag.Closed);
    else
        HtmlNode.ElementsFlags["ul"] = HtmlElementFlag.Closed;

    if (!HtmlNode.ElementsFlags.ContainsKey("li"))
        HtmlNode.ElementsFlags.Add("li", HtmlElementFlag.Closed);
    else
        HtmlNode.ElementsFlags["li"] = HtmlElementFlag.Closed;

    if (!HtmlNode.ElementsFlags.ContainsKey("ol"))
        HtmlNode.ElementsFlags.Add("ol", HtmlElementFlag.Closed);
    else
        HtmlNode.ElementsFlags["ol"] = HtmlElementFlag.Closed;

    //more similar code

【问题讨论】：

一般来说，使用 XML 解析器解析一些 HTML 代码并不是一个好主意。 HTML 标记可以包含其他违反“格式良好的 xml”的行为，不仅是您提到的标签，而且从 HTML 的角度来看它仍然有效，但从 XML 的角度来看完全无效。如果您需要解析 HTML - 请考虑使用 Html Agility Pack。

检查this answer。但是，如果 HTML 不是有效的 XHTML，请使用 HtmlAgilityPack 或其替代品。

我正在使用 HtmlAgilityPack 但它不能解决问题。我用该代码更新了我的问题

冒号前的字母是前缀。您必须在 xml/

中包含每个前缀的命名空间定义

【参考方案1】：

解决了！ 正则表达式是错误的。我用这个替换了表达式：

//for remove xml declarations
htmlString = Regex.Replace(texto, @"<\?xml.*\?>", "");

//for remove custom tags like <o:p> and </o:p>
htmlString = Regex.Replace(texto, @"<(?:[\S]\:[\S])[^>]*>", "");
htmlString = Regex.Replace(texto, @"</(?:[\S]\:[\S])[^>]*>", ""); 

现在它可以工作了！

【参考方案2】：

如果您事先知道命名空间，您可以执行以下简单操作：

htmlString = htmlString.Replace("<o:", "<").Replace("</o:", "</");

【讨论】：

我不能保证标签总是<o:p>。这只是一个例子