如何使用HTML Agility Pack修復格式不正確的HTML？

Question

我有這個重疊的標籤病態的HTML：

<p>word1<b>word2</p> 
<p>word3</b>word4</p> 

重疊可以被嵌套了。

如何將它轉換爲HTML格式的HTML與HTML敏捷包（HAP）？

我在尋找這樣的輸出：

<p>word1<b>word2</b></p> 
<p><b>word3</b>word4</p> 

我試過HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap，但預期它不工作。

Answer 1

它實際上按預期工作，但可能不起作用您預期的。無論如何，下面是一段代碼示例（一個控制檯應用程序），演示瞭如何使用該庫實現一些HTML修復。

該庫有一個ParseErrors集合，您可以使用它來確定在標記解析期間檢測到哪些錯誤。

實際上有兩種類型的問題在這裏：

1）未閉合的元素。這個庫默認是固定的，但P元素上有一個選項可以防止這種情況發生。

2）未開封元素。這個更復雜，因爲它取決於你想如何修復它，你想在哪裏打開標籤？在下面的示例中，我使用了最近的以前的文本兄弟節點來打開該元素。

static void Main(string[] args) 
{ 
    // clear the flags on P so unclosed elements in P will be auto closed. 
    HtmlNode.ElementsFlags.Remove("p"); 

    // load the document 
    HtmlDocument doc = new HtmlDocument(); 
    doc.Load("yourTestFile.htm"); 

    // build a list of nodes ordered by stream position 
    NodePositions pos = new NodePositions(doc); 

    // browse all tags detected as not opened 
    foreach (HtmlParseError error in doc.ParseErrors.Where(e => e.Code == HtmlParseErrorCode.TagNotOpened)) 
    { 
     // find the text node just before this error 
     HtmlTextNode last = pos.Nodes.OfType<HtmlTextNode>().LastOrDefault(n => n.StreamPosition < error.StreamPosition); 
     if (last != null) 
     { 
      // fix the text; reintroduce the broken tag 
      last.Text = error.SourceText.Replace("/", "") + last.Text + error.SourceText; 
     } 
    } 

    doc.Save(Console.Out); 
} 

public class NodePositions 
{ 
    public NodePositions(HtmlDocument doc) 
    { 
     AddNode(doc.DocumentNode); 
     Nodes.Sort(new NodePositionComparer()); 
    } 

    private void AddNode(HtmlNode node) 
    { 
     Nodes.Add(node); 
     foreach (HtmlNode child in node.ChildNodes) 
     { 
      AddNode(child); 
     } 
    } 

    private class NodePositionComparer : IComparer<HtmlNode> 
    { 
     public int Compare(HtmlNode x, HtmlNode y) 
     { 
      return x.StreamPosition.CompareTo(y.StreamPosition); 
     } 
    } 

    public List<HtmlNode> Nodes = new List<HtmlNode>(); 
}