Anglesharp 规范化/修复 html答案

【问题标题】：Anglesharp normalize / fix htmlAnglesharp 规范化/修复 html
【发布时间】：2019-10-04 13:57:38
【问题描述】：

我有这段html

<div>
  Outside paragraph
  <p>In paragraph</p>
</div>

如您所见，有一段文字 Outside paragraph 在段落之外，不是想要的情况。

是否有任何 AngleSharp 方法（如果不是 Anglesharp，那么任何其他方法）可以让我规范化/修复这段 html，使其看起来像：

<div>
  <p>Outside paragraph</p>
  <p>In paragraph</p>
</div>

所以，一段代码会将Outside paragraph 放入段落中

【问题讨论】：

Florian，AngleSharp 的作者之一，是一个了不起的支持者。为什么不在 AngleSharp GitHub 存储库上open an issue？
感谢 Uwe - 非常感谢！确实，我对 SO 的看法不是很积极，但我很高兴您将他指向 GH，在那里我设置了各种通知。

标签： c# html parsing anglesharp

【解决方案1】：

AngleSharp 不提供此类自定义逻辑，但让您可以推出自己的规范化方案。

在以下示例中，我使用TreeWalker 来简化仅对文本节点的迭代。

代码查找给定条件以动态插入段落。

var context = BrowsingContext.New();
var document = await context.OpenAsync(res => res.Content("foo<div>Outside<p>Inside</p></div>bar"));
var walker = document.CreateTreeWalker(document.Body, AngleSharp.Dom.FilterSettings.Text);

while (walker.ToNext() != null)
{
    var current = walker.Current;

    // if just whitespace, e.g., formatting line breaks, or in p anyway - skip
    if (
        (current.TextContent.Trim().Length == 0) ||
        (current.ParentElement.LocalName == "p"))
    {
        continue;
    }
    // if next to paragraph perform the normalization
    else if (
        (current.PreviousSibling is IElement previous && previous.LocalName == "p") ||
        (current.NextSibling is IElement next && next.LocalName == "p"))
    {
        var newNode = document.CreateElement("p");
        current.ReplaceWith(newNode);
        newNode.Append(current);
    }
}

document.Body.ToHtml().Dump();

转储结果如下：

<body>foo<div><p>Outside</p><p>Inside</p></div>bar</body>

这可能不是您需要的一切，但应该为您指明正确的方向。

注意：您还可以滚动自己的（递归）迭代或使用，例如，自定义 IMarkupFormatter 将规范化作为序列化。有多种方法。给定的会更改 DOM - 因此可能会进行进一步的操作（不仅仅是序列化）。

希望有帮助！

【讨论】：

很棒的支持，弗洛里安?