检查未打开标签的 HTML 字符串答案

【问题标题】：Checking a HTML string for unopened tags检查未打开标签的 HTML 字符串
【发布时间】：2011-03-11 00:22:50
【问题描述】：

我有一个字符串作为 HTML 源，我想检查作为字符串的 HTML 源是否包含未打开的标记。

例如下面的字符串在 WAVEFORM 后面包含</u>，它没有开头的<u>。

WAVEFORM</u> YES, <u>NEGATIVE AUSCULTATION OF EPIGASTRUM</u> YES,

我只想检查这些类型的未打开标签，然后我必须将打开标签附加到字符串的开头？

【问题讨论】：

标签： c# .net html-parsing

【解决方案1】：

对于这种特定情况，您可以使用HTML Agility Pack 来断言 HTML 格式是否正确或是否有未打开的标签。

var htmlDoc = new HtmlDocument();

htmlDoc.LoadHtml(
    "WAVEFORM</u> YES, <u>NEGATIVE AUSCULTATION OF EPIGASTRUM</u> YES,");

foreach (var error in htmlDoc.ParseErrors)
{
    // Prints: TagNotOpened
    Console.WriteLine(error.Code);
    // Prints: Start tag <u> was not found
    Console.WriteLine(error.Reason); 
}

【讨论】：

【解决方案2】：

没那么容易。你不能直接使用 HTML 解析器，因为它不是有效的 HTML，但你不能轻易地在整个事情上抛出一个正则表达式，因为正则表达式无法处理嵌套或其他 HTML 复杂性。

您能做的最好的事情可能就是使用正则表达式来查找每个标记结构，例如。类似：

<(\w+)(?:\s+[-\w]+(?:\s*(?:=\s*(?:"[^"]*"|'[^']*'|[^'">\s][^>\s]*)))?)*\s*>
|</(\w+)\s*>
|<!--.*?-->

从一个空的待打开标签列表和一个空的待关闭标签列表开始。对于字符串中的每个匹配项，查看第 1 组和第 2 组以查看是否有开始或结束标记。（或评论，您可以忽略。）

如果你有一个开始标签，你需要知道它是否需要关闭，即。如果它是EMPTY 内容模型标签之一，例如<img>。如果一个元素是EMPTY，它不需要关闭，所以你可以忽略它。（如果您有 XHTML，这一切都容易一些。）

如果您有开始标签，请将正则表达式组中的标签名称添加到标签关闭列表中。如果您有一个结束标签，请从关闭标签列表的末尾删除一个标签（它应该与那里的标签名称相同，否则您的标记无效。如果没有标签要关闭的标签列表，而是将标签名称添加到要打开的标签列表中。

一旦到达输入字符串的末尾，以相反的顺序将每个打开标签添加到字符串中，并将关闭标签的关闭标签添加到末尾，再次以相反的顺序。

（是的，我正在用正则表达式解析 HTML。我认为这说明了为什么你不想这样做。如果你可以做些什么来避免已经在标签中间剪断你的标记，那么做那个。）

【讨论】：