XmlReader：无法解析不带引号的属性

Posted 2023-02-24

【中文标题】XmlReader：无法解析不带引号的属性

【英文标题】：XmlReader: Trouble parsing attribute without quotes

【发布时间】：2012-08-09 18:52:45

【问题描述】：

我试图解析的一段 html 包含一些不带引号的属性值，例如宽度和高度属性：

<img src="/static/logo.png" width=75 height=90 />

在 C# 代码中，阅读器会一直读取到下一个锚标记。

while (reader.ReadToFollowing("a"))

此语句报告 XmlException：

'75' is an unexpected token. The expected token is '"' or '''. Line 16, position 37.

是否有一些 XmlReaderSetting 可以使 XmlReader 更宽松？我无法控制生成的 HTML。

【问题讨论】：

您不应该使用 XmlReader 来解析 HTML，例如，请参阅 [Is there an XmlReader equivalent for HTML in .Net?][1]。 [1]：***.com/questions/6452433/…

【参考方案1】：

为了阅读 HTML，您需要专门为此设计的阅读器。 HtmlAgilityPack 可以在这里为您提供帮助，this answer 到 a related question 中提到的 SgmlReader 也可以。

HTML 不是XML。它们都基于SGML，但遵循不同的规则。 XML 具有比 HTML 更严格的规则，其中包括需要关闭所有标签以及用单引号或双引号将属性括起来。因此，除非您正在解析符合 XML 的 XHTML，否则 XmlReader 将无法为您工作。

【讨论】：

HtmlAgilityPAck 如何在这里提供帮助？我已经尝试过htmlDoc.OptionFixNestedTags = true; htmlDoc.OptionCheckSyntax = true; htmlDoc.OptionAutoCloseOnEnd = true; htmlDoc.OptionOutputOptimizeAttributeValues = true;，但没有任何效果......

【参考方案2】：

您也可以使用 WebBrowser 控件。将文件加载到其中并从 WebBrowser.Document 属性中获取 HtmlDocument。然后，您可以循环通过控件。

【讨论】：

太好了。最初我使用的是 HtmlAgilityPack，但是对于这个简单的办公实用程序，我不想添加 DLL 依赖项（我想要的是单个 EXE），所以这种 WebBrowser 方法可以正常工作。

这是一个有趣的 hack。感觉有点脏，但我已经可以想到我可能会使用它的情况。