C# 使用HtmlEntity.deentize（）方法的KeyNotFoundException

我目前正在使用C#4.0编写的刮板。我使用各种工具，包括.NET的内置WebClient和RegEx功能。作为我的scraper的一部分，我正在使用HtmlAgilityPack解析一个HTML文档。我得到了我想要的一切工作，并经历了一些代码清理

我正在使用

HtmlEntity.deentize（）

方法清理HTML。我做了一些测试，这个方法似乎很有效。但是当我在代码中实现该方法时，我不断得到

KeyNotFoundException

。没有进一步的细节，所以我很迷茫。我的代码如下所示：

WebClient client = new WebClient();
string html = HtmlEntity.DeEntitize(client.DownloadString(path));
HtmlDocument doc = new HtmlDocument();
doc.LoadHtml(html);

---

下载的HTML是UTF-8编码的。如何绕过

KeyNotFound

异常？

我知道问题是由于出现了非标准字符。比如说，汉语、日语等

在您发现是什么字符导致了问题之后，也许您可以搜索到htmlagilitypack的合适补丁

---

如果您想自己修改，这可能会对您有所帮助。

四年后，我对一些编码字符（版本1.4.9.5）也有同样的问题。在我的例子中，可能会产生问题的字符集有限，因此我刚刚创建了一个函数来执行替换：

// to be called before HtmlEntity.DeEntitize
public static string ReplaceProblematicHtmlEntities(string str)
{
    var sb = new StringBuilder(str);
    //TODO: add other replacements, as needed
    return sb.Replace(".", ".")
        .Replace("ă", "ă")
        .Replace("â", "â")
        .ToString();
}

在我的例子中，字符串包含html编码字符和UTF-8字符，但问题只与一些编码字符有关

---

这不是一个优雅的解决方案，而是一个快速解决方案，适用于所有具有有限（且已知）数量的有问题编码字符的文本。

我的HTML有一个如下所示的文本块：

。。。见第233.9和517.3节

尽管有空格和小数点，它还是解释了
&517.3
作为unicode字符

对原始文本进行简单的HTML编码就解决了这个问题

string raw = "sections: 233.9 & 517.3;";
// turn '&' into '&', etc, before DeEntitizing
string encoded = System.Web.HttpUtility.HtmlEncode(raw);
string deEntitized = HtmlEntity.DeEntitize(encoded);

在我的例子中，我通过将HtmlAgilityPack更新到1.5.0版来解决这个问题。出于好奇，我用“HttpUtility.HtmlDecode”尝试了这些案例，它只处理了“â；”@Setsu的最后一个案例-我没有尝试每个字符。根据我的输入文本（仅限罗马尼亚语），我知道有问题的字符集，并将它们全部放在函数中。然而，人们应该根据需要进行调整。这不是一个很好的解决方案，但它让HtmlagillyPack在事后发挥了它的魔力。也许我错了，但我认为你误解了我的意思
HttpUtility.HtmlDecode
位于
System.Web
命名空间中，由框架提供，而不是由HtmlAgilityPack提供。我只是想看看它是否处理过这些案件。@Setsu-是的，对不起。你是对的。我已经尝试了
HttpUtility.HtmlDecode
，但仅部分有效。