HTML 到 XHTML - 完全跳过一些标签。 （C#初学者）

Question

我最近开始学习 C#。 MSDN 有一个示例，您可以通过直接获取 XML 文件来创建一个 RSS 应用程序，所以我尝试了自己的一些方法，并且像大多数时候一样，我没有做对。 把叹息声放在这里。

由于页面是 HTML，我尝试寻找 HTML 到 XHTML 的转换器，我发现了这个（非常有趣）叫做 HTML-Cleaner。

它用<dd> 标签替换了不需要的标签，但我想跳过这些标签，所以我自己做了修改：

public override bool Read()
{
  bool status = base.Read();
  if( status )
  {
    if( base.NodeType == XmlNodeType.Element )
    {
      dowrite = false;
      // Got a node with prefix. This must be one of those "<o:p>"
      // or something else.  Skip this node entirely. We want prefix-
      // less nodes so that the resultant XML requires no namespace.
      foreach (string line in AllowedTags)
      {
        if (base.Name == line || 
           (base.Name == "html" && first == false))
        { 
            dowrite = true; 
            first = true; 
        }
      } 

      if( base.Name.IndexOf(':') > 0 )
        dowrite=false;

      if(!dowrite)
        base.Skip();
    }
  }
    return status;
}

问题是它只打印一个<dd> 标签，没有别的。即使存在允许的标签，它也会跳过它们。

为什么会这样？任何帮助将不胜感激。如果您有其他方法，请随时提出建议。

---

编辑：无论如何要实现这个？？？

Answer 1

看起来Read 方法返回的是 XML 节点，而不是标签，因此任何不匹配节点的全部内容都将被删除。

如果输入是一个典型的 HTML 文件，在递归 Read 方法中的某个时刻会找到“head”元素。这不在 AllowedTags 列表中，所以它的所有后代节点都是Skipped。

这同样适用于body 元素。它及其所有后代都将被跳过。

剩下的 html 元素在您的代码中匹配，因此被插入到 XML DOM 中。

由于html 不在AllowedTags 列表中，因此在HTMLWriter 阶段，html 标签将转换为dd 标签，这就是您所描述的输出。

我实际上并没有捆绑 html2xhtmlcleaner 代码，但我认为你需要调整编写器代码而不是阅读器代码来实现你想要做的事情。