有沒有可能修復HtmlAgilityPack中的問題，當有一個不封閉的HTML標記？

以及我有以下問題。
我的html格式不正確，當遇到這種情況時，我選擇使用html敏捷包的節點時遇到問題。
代碼是下面：有沒有可能修復HtmlAgilityPack中的問題，當有一個不封閉的HTML標記？

string strHtml = @" 
<html> 
    <div> 
    <p><strong>Elem_A</strong>String_A1_2 String_A1_2</p> 
    <p><strong>Elem_B</strong>String_B1_2 String_B1_2</p> 
    </div> 
    <div> 
    <p><strong>Elem_A</strong>String_A2_2 <String_A2_2> asdas</p> 
    <p><strong>Elem_B</strong>String_B2_2 String_B2_2</p> 
    </div> 
</html>"; 
HtmlAgilityPack.HtmlDocument objHtmlDocument = new HtmlAgilityPack.HtmlDocument(); 
objHtmlDocument.LoadHtml(strHtml); 
HtmlAgilityPack.HtmlNodeCollection colnodePs = objHtmlDocument.DocumentNode.SelectNodes("//p"); 
List<string> lststrText = new List<string>(); 
foreach (HtmlAgilityPack.HtmlNode nodeP in colnodePs) 
{ 
    lststrText.Add(nodeP.InnerHtml); 
}

問題是，String_A2_2括在括號中。
所以htmlagility包在lststrText中返回5個字符串而不是4個。
所以有可能讓htmlagility pack返回元素3爲 "<strong>Elem_A</strong>String_A2_2 <String_A2_2> asdas"？
或者我可以做一些預處理來關閉元素？
lststrText的當前內容

lststrText[0] = "<strong>Elem_A</strong>String_A1_2 String_A1_2" 
lststrText[1] = "<strong>Elem_B</strong>String_B1_2 String_B1_2" 
lststrText[2] = "" 
lststrText[3] = "" 
lststrText[4] = "<strong>Elem_B</strong>String_B2_2 String_B2_2"

來源

2009-12-18 Karim

您是否知道要包含的標籤的名稱，還是想要將所有打開的標籤保留爲文本？ – 2009-12-23 15:34:58

我想將所有打開的標籤保留爲文字 – Karim 2009-12-23 18:37:55

Html Agility Pack無法做到這一點。它一次解析一個角色，並沒有真正的回溯概念。但是，它會關閉需要的標籤，但這是因爲您經歷了與您想要的不同輸出的結果。最好的辦法是做一些預處理。如果您知道要保留的標籤的名稱或模式，可以很容易地修改解析代碼以保持標籤類似於：，稍後可以將其替換爲您的輸出。也許修復您正在處理的格式錯誤的html更容易？ – 2009-12-23 22:12:28

大多數html解析器都試圖構建一個可工作的DOM，這意味着懸掛標籤不被接受。他們會被轉換，或以某種方式關閉。

如果只選擇節點是很重要的你，速度和巨大的數據量不是問題，你可以抓住所有的<p>標籤用正則表達式來代替：

Regex reMatchP = new Regex(@"<(p)>.*?</\1>"); 
foreach (Match m in reMatchP.Matches(strHtml)) 
{ 
    Console.WriteLine(m.Value); 
}

這正則表達式假設標籤格式良好並且關閉。

如果您運行此正則表達式很多程序，你應該把它聲明爲：

static Regex reMatchP = new Regex(@"<(p)>.*?</\1>", RegexOptions.Compiled);

[編輯：敏捷包更改]

如果你想使用HtmlAgility包你可以修改在HtmlDocument.cs的PushNodeEnd功能：

if (HtmlNode.IsCDataElement(CurrentNodeName())) 
{ 
    _state = ParseState.PcData; 
    return true; 
} 

// new code start 
if (!AllowedTags.Contains(_currentnode.Name)) 
{ 
    close = true; 
} 
// new code end

其中AllowedTags將所有已知標籤的列表：b，p，BR，跨度，DIV等

輸出不是100％你想要的，但可能夠接近？

<strong>Elem_A</strong>String_A1_2 String_A1_2 
<strong>Elem_B</strong>String_B1_2 String_B1_2 
<strong>Elem_A</strong>String_A2_2 <ignorestring_a2_2></ignorestring_a2_2> asdas 
<strong>Elem_B</strong>String_B2_2 String_B2_2

來源

2009-12-25 23:05:57

正則表達式不是parsehtml的選項。 – Karim 2009-12-26 06:58:50

我添加了我的代碼更改作爲示例。它可能有幫助。 – 2009-12-26 14:18:12

謝謝，我會看看，看看是否能解決這個問題。 – Karim 2009-12-26 22:38:49

你可以使用TidyNet做預/後處理你暗示。你可以編輯你的答案來解釋爲什麼這不適用於你的情況？

來源

2009-12-23 14:26:51

以及我沒有嘗試TidyNet因爲我無法讓它工作。但我試過SgmlReader http://developer.mindtouch.com/SgmlReader，但我也沒有工作。 – Karim 2009-12-23 18:40:36

有沒有可能修復HtmlAgilityPack中的問題，當有一個不封閉的HTML標記？

回答

相關問題