.NET xElement错误协调（html实体名称到其数字字符引用的转换）

我需要将HTML解析为xElement。我知道这个解决方案不能很好地原谅格式错误的HTML。这是好的，因为我想陷阱到无效的HTML无论如何。但是，我不希望每次遇到HTML实体时XElement.Parse（）方法都失败

我想知道在.NET框架中是否有内置的东西可以将命名的HTML实体转换为数字字符引用

这是可行的，但我真的不想对每个实体都这样做

Public Function GetEntityReplacementList() As IDictionary(Of String, String)
    'http://www.w3.org/TR/html4/sgml/entities.html
    Dim _dictonary As New Dictionary(Of String, String)
    _dictonary.Add(" ", " ") ' " " non-breaking space
    _dictonary.Add("&lt;", "&#60;") '<  less than
    _dictonary.Add("&gt;", "&#62;") '>  greater than
    _dictonary.Add("&amp;", "&#38;") '&     ampersand
    _dictonary.Add("&cent;", "&#162;") '¢   cent
    _dictonary.Add("&pound;", "&#163;") '£  pound
    _dictonary.Add("&yen;", "&#165;") '¥    yen
    _dictonary.Add("&euro;", "&#8364;") '€  euro
    _dictonary.Add("&copy;", "&#169;") '©   copyright
    _dictonary.Add("&reg;", "&#174;") '® registered trademark
    _dictonary.Add("&lsquo;", "&#8216;") ' single quote
    _dictonary.Add("&rsquo;", "&#8217;") ' single quote
    _dictonary.Add("&ldquo;", "&#8220;") ' Double quote
    _dictonary.Add("&rdquo;", "&#8221;") ' Double quote
    _dictonary.Add("&bull;", "&#8226;") ' Bullet
    _dictonary.Add("&ccedil;", "&#199;")
    _dictonary.Add("&euml;", "&#199;")
    _dictonary.Add("&eacute;", "&#233;")
    _dictonary.Add("&mdash;", "&#8212;")
    _dictonary.Add("&egrave;", "&#200;")
    _dictonary.Add("&aacute;", "&#225;")
    _dictonary.Add("&ndash;", "&#8211;")
    Return _dictonary
End Function

<Extension()>
Public Function CreateXElementWithEntityReplacements(p_xml As String) As XElement


    For Each _pair In GetEntityReplacementList()
        p_xml = Regex.Replace(p_xml, _pair.Key, _pair.Value, RegexOptions.IgnoreCase)
    Next

    Return XElement.Parse(p_xml)

End Function

公共函数GetEntityReplacementList（）作为IDictionary（字符串的，字符串的）
'http://www.w3.org/TR/html4/sgml/entities.html
Dim_Dictionary作为新词典（字符串、字符串）
_添加（“，”和“#160；”“，”不间断空格
_口述。加上（“，”和#60；”）<小于
_口述。加上（“，”和“#62；”）大于
_口述。加上（“&；”、“&38；”）和符号
_口述。加上（“¢；”、“¢；”）、分
_口述。加上（“£；”、“£；”）英镑
_口述。加上（“¥；”，“&165；”）日元
_命令式。添加（“&euro；”，“€；”）欧元
_口述。添加（“©；”、“©；”）©版权所有
_添加（“®；”、“®；”）注册商标
_命令式。添加（“&lsquo；”、“‘；”）单引号
_口述。添加（“&rsquo；”、“’；”）单引号
_口述。加上（“&ldquo；”、“&8220；”）双引号
_命令式。添加（“&rdquo；”、“”；”）双引号
_命令式。添加（“&bull；”、“•；”）项目符号
_添加（“ç；”，“Ç；”）
_添加（“ë；”、“Ç；”）
_添加（“é；”，“&233；”）
_添加（“&mdash；”、“&8212；”）
_添加（“è；”，“&200；”）
_添加（“á；”，“&225；”）
_添加（“&ndash；”、“&8211；”）
返回命令
端函数
公共函数createXelementTwithenTityReplacements（p_xml作为字符串）作为XElement
对于GetEntityReplacementList（）中的每个_对
p_xml=Regex.Replace（p_xml、_pair.Key、_pair.Value、RegexOptions.IgnoreCase）
下一个
返回XElement.Parse（p_xml）
端函数

您在这里会遇到很多问题。尽管您希望捕获无效的HTML，但也有一些有效的HTML是无效的XML—例如，

是有效的HTML，但却是无效的XML

但是，如果您确信您的解决方案只需要解析也是有效XML的HTML，那么只需将正确的实体定义添加到文档字符串的顶部，它就会从那里正确解析。例如，可以将以下内容添加到html字符串中：

<!DOCTYPE documentElement[
  <!ENTITY nbsp "&#16;">
]><a href = 'blah'>&nbsp; &lt; &amp;</a>

这将解析为有效的HTML。您可以从HTML DTD中获得实体列表，可在以下位置获得：

---

您可以跳过

lt

、

gt

和

amp

——这些都是有效的XML实体。或者，您可以将该列表重构到您的字典中。

您考虑过使用HtmlAgilitypack吗？我考虑过，我现在正试图避免使用第三方库。有人吗？？我没有在MSDN中找到任何东西。感谢您的反馈。你完全正确。我正在写一个Epub阅读器，所以我还必须解释格式错误的html。我认为xElement类不再是一种发展方向。我知道你说过你想避免第三方LIB，但这正是HtmlAgilityPack编写的目的。