Fatal编程技术网
  • csharp/
  • C# HTMl agility pack解析和返回XElement时出错

C# HTMl agility pack解析和返回XElement时出错

c#

C# HTMl agility pack解析和返回XElement时出错,c#,.net-3.5,html-parsing,html-agility-pack,C#,.net 3.5,Html Parsing,Html Agility Pack,我可以解析文档并生成输出，但是由于p标记的原因，无法将输出解析为XElement，字符串中的所有其他内容都被正确解析 我的意见： var input = "<p> Not sure why is is null for some wierd reason!<br><br>I have implemented the auto save feature, but does it really work after 100s?<br></p>

我可以解析文档并生成输出，但是由于p标记的原因，无法将输出解析为XElement，字符串中的所有其他内容都被正确解析

我的意见：

var input = "<p> Not sure why is is null for some wierd reason!<br><br>I have implemented the auto save feature, but does it really work after 100s?<br></p> <p> <i>Autosave?? </i> </p> <p>we are talking...</p><p></p><hr><p><br class=\"GENTICS_ephemera\"></p>";

var-input=“不知为什么出于某种原因，它是空的！

我已经实现了自动保存功能，但它在100秒后真的能工作吗？
自动保存？？？我们正在讨论…

；
我的代码：

public static XElement CleanupHtml(string input)
    {  


    HtmlAgilityPack.HtmlDocument htmlDoc = new HtmlAgilityPack.HtmlDocument();

    htmlDoc.OptionOutputAsXml = true;
    //htmlDoc.OptionWriteEmptyNodes = true;             
    //htmlDoc.OptionAutoCloseOnEnd = true;
    htmlDoc.OptionFixNestedTags = true;

    htmlDoc.LoadHtml(input);

    // ParseErrors is an ArrayList containing any errors from the Load statement
    if (htmlDoc.ParseErrors != null && htmlDoc.ParseErrors.Count() > 0)
    {

    }
    else
    {

        if (htmlDoc.DocumentNode != null)
        {
            var ndoc = new HtmlDocument(); // HTML doc instance
            HtmlNode p = ndoc.CreateElement("body");  

            p.InnerHtml = htmlDoc.DocumentNode.InnerHtml;
            var result = p.OuterHtml.Replace("<br>", "<br/>");
            result = result.Replace("<br class=\"special_class\">", "<br/>");
            result = result.Replace("<hr>", "<hr/>");
            return XElement.Parse(result, LoadOptions.PreserveWhitespace);
        }
    }
    return new XElement("body");

}

publicstaticxelement CleanupHtml（字符串输入）
{  
HtmlAgilityPack.HtmlDocument htmlDoc=新的HtmlAgilityPack.HtmlDocument（）；
htmlDoc.OptionOutputAsXml=true；
//htmlDoc.OptionWriteEmptyNodes=true；
//htmlDoc.OptionAutoCloseOnEnd=true；
htmlDoc.OptionFixNestedTags=true；
htmlDoc.LoadHtml（输入）；
//ParseErrors是包含Load语句中任何错误的ArrayList
if（htmlDoc.ParseErrors！=null&&htmlDoc.ParseErrors.Count（）>0）
{
}
其他的
{
if（htmlDoc.DocumentNode！=null）
{
var ndoc=new HtmlDocument（）；//HTML文档实例
HtmlNode p=ndoc.CreateElement（“主体”）；
p、 InnerHtml=htmlDoc.DocumentNode.InnerHtml；
var result=p.OuterHtml.Replace（“
”，“
”）；
结果=结果。替换（“
”，“
”）；
结果=结果。替换（“
”，“
”）；
返回XElement.Parse（result，LoadOptions.PreserveWhitespace）；
}
}
返回新的XElement（“正文”）；
}
我的输出：

<body>
   <p> Not sure why is is null for some wierd reason chappy!
   <br/>
   <br/>I have implemented the auto save feature, but does it really work after 100s?
   <br/>
   </p> 
   <p> 
   <i>Autosave?? </i> 
   </p> 
   <p>we are talking...</p>
   **<p>**
   <hr/>
   <p>
   <br/>
   </p>
</body>


不知道为什么是空的，因为一些奇怪的原因，查皮！



我已经实现了自动保存功能，但它在100秒后真的有效吗？





自动保存？？


我们正在谈论

****
粗体p标记是输出不正确的标记。。。有办法解决这个问题吗？我的代码有问题吗？

如果您检查
选项的文档注释，您将看到以下内容：


//     Defines if LI, TR, TH, TD tags must be partially fixed when nesting errors
//     are detected. Default is false.



因此，我认为这对未关闭的HTML
p
标记没有帮助。根据一个古老的SO问题，这可能适用于此目的。
您试图做的基本上是将Html输入转换为Xml输出

当您使用
选项outputasxml
选项时，Html Agility Pack可以做到这一点，但是在这种情况下，您不应该使用InnerHtml属性，而是让Html Agility Pack使用HtmlDocument的
Save
方法之一为您做基础工作

以下是将Html文本转换为XElement实例的通用函数：


public static XElement HtmlToXElement(string html)
{
    if (html == null)
        throw new ArgumentNullException("html");

    HtmlDocument doc = new HtmlDocument();
    doc.OptionOutputAsXml = true;
    doc.LoadHtml(html);
    using (StringWriter writer = new StringWriter())
    {
        doc.Save(writer);
        using (StringReader reader = new StringReader(writer.ToString()))
        {
            return XElement.Load(reader);
        }
    }
}


正如你所看到的，你不需要自己做很多工作！请注意，由于原始输入文本没有根元素，Html Agility Pack将自动添加一个包含
SPAN
的元素，以确保输出是有效的Xml

在您的例子中，您希望额外处理一些标记，因此，下面是如何处理您的示例：


    public static XElement CleanupHtml(string input)
    {
        if (input == null)
            throw new ArgumentNullException("input");

        HtmlDocument doc = new HtmlDocument();
        doc.OptionOutputAsXml = true;
        doc.LoadHtml(input);

        // extra processing, remove some attributes using DOM
        HtmlNodeCollection coll = doc.DocumentNode.SelectNodes("//br[@class='special_class']");
        if (coll != null)
        {
            foreach (HtmlNode node in coll)
            {
                node.Attributes.Remove("class");
            }
        }

        using (StringWriter writer = new StringWriter())
        {
            doc.Save(writer);
            using (StringReader reader = new StringReader(writer.ToString()))
            {
                return XElement.Load(reader);
            }
        }
    }



如您所见，您不应该使用原始字符串函数，而应该使用Html Agility Pack DOM函数（选择节点、添加、删除等）。
谢谢您提供的信息。。。我输入的问题是我有一个有效的
标记，但没有正确处理，它们只是空元素！
变为这是有效的，很奇怪为什么我必须保存以获得正确的输出，无论如何-我将如何处理nbsp；是否包含在输入中？您会建议我使用anti.xss库吗？+1我甚至不知道
OptionOutputAsXml
（及其用例）在转换过程中似乎并不特别可靠，例如，我得到以下错误：6XmlException“”，十六进制值0x03，是无效字符。第2081行，位置822。行号2081行位置822如果是新问题，请发布新问题。