C#带XML格式的HTML标记

我真的希望有人能帮我解决这个问题。解决方案应该在C#上

我有一个36 MB大小的xml文件，有900k行。在某些节点上，它有很多html标记和一些无效标记，如

<Obs><p>
<jantes -="" .="" 22.000="" apenas="" exclusive="" kms.="" leve="" liga="" o=""> </jantes></p>

我尝试了不同的方法来清理此文件，但只有一种方法能够执行此任务，然而，由于这是在web应用程序上执行的，它会阻塞该应用程序，需要大约6分钟来完成此任务，并消耗大约450MB内存

由于此文件是无效的xml，我无法使用XmlTextReader。 奇怪的是，使用基于的XLST，我也遇到了HTML实体的问题

工作过程（经过一些调整）如下所示

谢谢

编辑：

听从凯文的建议。我正在尝试使用HTML Agility Pack构建一个解决方案。 至少要做一些基准测试。 但是我被卡住了。想象一下以下xml节点：

<Obs><p> I WANT THIS TEXT<jantes -="" .="" 22.000="" apenas="" exclusive="" kms.="" leve="" liga="" o=""> </jantes></p></Obs>

我想要这个文本

如何剥离“obs”标记内的标记，保留标记“obs”，同时保留文本“我想要此文本”？基本上：

<Obs>I WANT THIS TEXT</Obs>

我想要这个文本

现在，这是我的代码：

        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(text);
        Queue<HtmlNode> nodes = new Queue<HtmlNode>(doc.DocumentNode.SelectNodes("./*|./text()"));
        while (nodes.Count > 0)
        {
            HtmlNode node = nodes.Dequeue();
            HtmlNode parentNode = node.ParentNode;

            HtmlNodeCollection childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            {
                foreach (HtmlNode child in childNodes)
                {
                    if (child.Name != "obs")
                    {
                        nodes.Enqueue(child);
                    }
                    else
                    {
                        childNodes = child.SelectNodes("//p|//jantes");
                        foreach (HtmlNode nodeToStrip in childNodes)
                            nodeToStrip.ParentNode.RemoveChild(nodeToStrip);
                    }
                }
            }
        }
        string s = doc.DocumentNode.InnerHtml;

HtmlDocument doc=新的HtmlDocument（）；
doc.LoadHtml（文本）；
队列节点=新队列（doc.DocumentNode.SelectNodes（“./*|/text（）”）；
而（nodes.Count>0）
{
HtmlNode node=nodes.Dequeue（）；
HtmlNode parentNode=node.parentNode；
HtmlNodeCollection childNodes=node.SelectNodes（“./*|/text（）”）；
if（childNodes！=null）
{
foreach（childNodes中的HtmlNode子节点）
{
if（child.Name！=“obs”）
{
节点排队（子节点）；
}
其他的
{
childNodes=child.SelectNodes（“//p |//jantes”）；
foreach（子节点中的HtmlNodeToStrip）
nodeToStrip.ParentNode.RemoveChild（nodeToStrip）；
}
}
}
}
字符串s=doc.DocumentNode.InnerHtml；

谢谢：）

编辑2

好的，我能够完成任务。然而，这花费了太多的时间。大约3小时，占用800MB内存

仍然需要帮助

这是代码，它可能会帮助一些人

HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(text);
        Queue<HtmlNode> nodes = new Queue<HtmlNode>(doc.DocumentNode.SelectNodes("./*|./text()"));
        while (nodes.Count > 0)
        {
            HtmlNode node = nodes.Dequeue();
            HtmlNode parentNode = node.ParentNode;

            HtmlNodeCollection childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            {
                foreach (HtmlNode child in childNodes)
                {
                    if (child.Name != "obs")
                    {
                        nodes.Enqueue(child);
                    }
                    else
                    {
                        childNodes = child.SelectNodes("//p|//jantes");
                        if (childNodes != null)
                        {
                            foreach (HtmlNode nodeToStrip in childNodes)
                            {
                                var replacement = doc.CreateTextNode(nodeToStrip.InnerText);
                                nodeToStrip.ParentNode.ReplaceChild(replacement, nodeToStrip);
                            }
                        }
                    }
                }
            }
        }
        string s = doc.DocumentNode.InnerHtml;

HtmlDocument doc=新的HtmlDocument（）；
doc.LoadHtml（文本）；
队列节点=新队列（doc.DocumentNode.SelectNodes（“./*|/text（）”）；
而（nodes.Count>0）
{
HtmlNode node=nodes.Dequeue（）；
HtmlNode parentNode=node.parentNode；
HtmlNodeCollection childNodes=node.SelectNodes（“./*|/text（）”）；
if（childNodes！=null）
{
foreach（childNodes中的HtmlNode子节点）
{
if（child.Name！=“obs”）
{
节点排队（子节点）；
}
其他的
{
childNodes=child.SelectNodes（“//p |//jantes”）；
if（childNodes！=null）
{
foreach（子节点中的HtmlNodeToStrip）
{
var replacement=doc.CreateTextNode（nodeToStrip.InnerText）；
nodeToStrip.ParentNode.ReplaceChild（替换，nodeToStrip）；
}
}
}
}
}
}
字符串s=doc.DocumentNode.InnerHtml；

你试过了吗？在其索赔中：

• 解析器对“真实世界”格式错误的HTML非常宽容
• 您可以按照自己的方式修复页面、修改DOM、添加节点、复制节点，以及。。。随便你说

你试过了吗？在其索赔中：

• 解析器对“真实世界”格式错误的HTML非常宽容
• 您可以按照自己的方式修复页面、修改DOM、添加节点、复制节点，以及。。。随便你说

---

因此，我不喜欢Html敏捷包。不过它很强大。但我花了4个小时来“清理”文件：（我不喜欢Html Agility Pack，但它非常强大。但我花了4个小时来“清理”文件：(