如何使用 HTML Agility Pack 修复格式错误的 HTML？

Posted 2023-03-05

【中文标题】如何使用 HTML Agility Pack 修复格式错误的 HTML？

【英文标题】：How to fix ill-formed HTML with HTML Agility Pack?

【发布时间】：2014-05-04 21:26:12

【问题描述】：

我有这个带有重叠标签的格式错误的 html：

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

重叠也可以嵌套。

如何使用 HTML Agility Pack (HAP) 将其转换为格式良好的 HTML？

我正在寻找这个输出：

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

我尝试了HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap，但它没有按预期工作。

【参考方案1】：

它实际上按预期工作，但可能没有按您的预期工作。不管怎样，这里有一段代码示例（一个控制台应用程序），它演示了如何使用该库实现一些 HTML 修复。

该库有一个 ParseErrors 集合，您可以使用它来确定在标记解析期间检测到哪些错误。

这里确实有两种类型的问题：

1) 未封闭的元素。库默认修复了这个问题，但 P 元素上有一个选项可以防止在这种情况下发生这种情况。

2) 未打开的元素。这个比较复杂，因为这取决于您要如何修复它，您希望在哪里打开标签？在下面的示例中，我使用了最近的上一个文本兄弟节点来打开元素。

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>();

【讨论】：

谢谢 Simon，我需要“消化”一下 :) 很高兴直接收到作者的来信，您在 HAP 方面的工作受到了广泛的赞赏。

上是否有特殊情况？我只是问，因为我似乎在没有自动关闭的框架周围出现意外行为。

@twobob - 是的，也许，您可以在此处检查此行为（框架已声明，您可以使用 ElementFlags 集合将其删除）：htmlagilitypack.codeplex.com/SourceControl/latest#Trunk/…

感谢您创建了如此有用的库。