C# “最好的方法”；“固定”；用于xsl转换的格式错误的html

我有一个输入xml文档，其中包含格式错误的html，该html已被xml编码。 i、 e.xml文档本身在技术上是有效的

现在，我将对xml应用xsl转换，该xml输出格式良好的xhtml5，但包含格式错误的html

错误html的示例：

• html片段中的html、head和body标记
• 字体标签
• 不匹配的引号
• 未闭合标签
• 没有匹配打开的额外关闭标记
• 按错误的顺序关闭标记（例如，

  text

  ）

现在在我的情况下，我实际上并不关心html格式是否错误——我只关心我的结束标记是否与开始标记匹配，而不管中间是什么

所以我的问题是-什么是最好的方法来解决这两个问题

充分清理html，使其不会影响其他标记（最好是从转换本身内部）

或者以某种方式标记一个closetag，以便兼容html5的浏览器将其识别为与特定的open tag相匹配，而不管两者之间可能存在什么讨厌的标记

两个人。我一点也不知道。我有一些关于1的想法。例如调用外部工具，如tidy或使用.NET sgml解析器

.NET xsl脚本（

msxsl:script

）是可以接受的，如果不需要的话

示例来源：

<xml>
  &lt;b&gt;&lt;u&gt;bad html&lt;/b&gt;&lt;/u&gt;
<xml>

bubad html/b/u

示例输出：

<div id="MyDiv">
  <b><u>bad html</b></u>
</div> <!-- this /div absolutly must match the opening div regardless of what might be in the bad html -->

糟糕的html

还有哪些其他方法可用

---

C#，VS2012，仅XSLT1.0使用第三方库是否可以接受？（在NuGet上提供）可能是解决无效HTML的部分方法，而且（根据网站）还支持XSLT。

我选择使用sgml解析库并转换为有效的xml

我去了心灵之触的图书馆：

编译并添加到GAC后，我可以使用以下xsl：

<msxsl:script language="C#" implements-prefix="myns">
  <msxsl:assembly name="SgmlReaderDll, Version=1.8.11.0, Culture=neutral, PublicKeyToken=46b2db9ca481831b"/>
    <![CDATA[
 public XPathNodeIterator SGMLStringToXml(string strSGML)
 {
 Sgml.SgmlReader sgmlReader = new Sgml.SgmlReader();
 sgmlReader.DocType = "HTML";
 sgmlReader.WhitespaceHandling = WhitespaceHandling.All;
 sgmlReader.CaseFolding = Sgml.CaseFolding.ToLower;
 sgmlReader.InputStream = new System.IO.StringReader(strSGML);

 // create document
 XmlDocument doc = new XmlDocument();
 doc.PreserveWhitespace = true;
 doc.XmlResolver = null;
 doc.Load(sgmlReader);
 return doc.CreateNavigator().Select("/*");
 }

 public string CurDir()
 {
 return (new System.IO.DirectoryInfo(".")).FullName;
 }
  ]]>

</msxsl:script>
<xsl:template match="node()" mode="PreventSelfClosingTags">
  <xsl:copy>
    <xsl:apply-templates select="@* | node()"/>
    <xsl:text> </xsl:text>
  </xsl:copy>
</xsl:template>
<xsl:template match="@*" mode="PreventSelfClosingTags">
  <xsl:copy>
    <xsl:apply-templates select="@* | node()"/>
  </xsl:copy>
</xsl:template>

并像这样使用它：

<xsl:apply-templates select="myns:SGMLStringToXml(.)/body/*" mode="PreventSelfClosingTags"/>

注意：您必须使用

xslcomiledtransform

实例手动运行转换。

---

asp:xml

控件不喜欢DLL引用。

您的“格式错误”html是否真的在CDATA标记中？在您的问题中包含一个XML的小样本，以及一个您期望输出的示例，可能会有所帮助。谢谢它是xml编码的，所以

html

等等。我个人对html敏捷包的经验是，它在有效的html上工作得相当好，但是如果html格式不好，它会很快放弃。我们试着用它把用户粘贴到我们网站上的HTML转换成降价，但它总是会崩溃。