使用 C# 将不正确的 html 字符串转换为真正的 html

Question

我最初的问题是我试图将包含 html 标记的字符串序列化为 XML 元素。

hello <a href="world.php">World</a>, this

is
a nice
test

<ul>
  <li>to demonstrate my issue</li>
  <li>and find a solution</li>
</ul>

但是，我有 2 个问题

1. 将 HTML 序列化为 XML：我没有成功定义 Serializable 类以使用 XmlSerialze 正确序列化，因此我决定使用 CDATA 部分可能是更好的方法。然而，这并没有被目标工具正确反序列化（我对此没有影响）。我需要的是 xml 输出文件中的普通且正确的 html（XHMTL？）。

---

2.字符串看起来例如如上所述，但不是完全正确的 html（没有<p> 标签，没有<br> 标签）。 现在我想用 p 或 br 标签替换换行符。我看过here 并使用了建议的解决方案：

    string result = "<p>" + text
     .Replace(Environment.NewLine + Environment.NewLine, "</p><p>")
     .Replace(Environment.NewLine, "<br />")
     .Replace("</p><p>", "</p>" + Environment.NewLine + "<p>") + "</p>";

但是，这并不是在所有情况下都会生成有效的 html。在上面的示例中，它会在<li> 标签之间创建<br />s，或者在<p> 标签中导致<ul> 标签——这都是不允许的。

目标是得到如下结果（换行符只是为了更好的可读性，在这里无关紧要）

<p>hello <a href="world.php">World</a>, this</p>
<p>is<br/>
a nice<br/>
test<br/></p>
<ul>
  <li>to demonstrate my issue</li>
  <li>and find a solution</li>
</ul>

您有任何建议如何使用字符串替换、正则表达式或更好的解决方案（HtmlDocument）来解决这个问题？

请注意：我对反序列化没有影响，XML输出是由我没有影响的工具评估的，它必须是UTF-8编码的。

谢谢！

编辑：明确区分 2 个问题

EDIT2：对反序列化没有影响

EDIT3：添加目标输出

Answer 1

您要做的是实现"tag soup parser"，它将可能是也可能不是HTML 的文本作为输入，并将其转换为HTML 解析器可以处理的有效DOM。

您不想重新发明这个轮子，绝对不是简单的字符串替换。一些提示请参见How to parse bad html?。

---

或者您可以只对输入 HTML 进行编码，使其不会干扰您尝试放入的 XML，like a CDATA section 或 base64-encoding 输入也足够了。不要使用“实体编码”，因为您的 XML 解析器会抱怨不是 XML 实体的 HTML 实体。

Answer 2

我不得不做类似的事情（确保第 3 方内容具有有效的 HTML）。如果我这样做，我会执行以下操作：

1) 用 HTML 换行符替换换行符

string result = text.Replace(Environment.NewLine, "<br />");

2) 使用 HTMLAgility 包修复任何无效的 HTML

    var doc = new HtmlDocument();
    HtmlNode.ElementsFlags["p"] = HtmlElementFlag.Closed;
    doc.OptionFixNestedTags = false;
    doc.LoadHtml(result);

    if (doc.ParseErrors.Count() > 0)
    {
                // throw error
    }else{
                // get fixed html
                 result= doc.DocumentNode.OuterHtml;
    }