如何使用 HTML Agility Pack 修复格式错误的 HTML？

Question

我有这个带有重叠标签的格式错误的 HTML：

<p>word1<b>word2</p>
<p>word3</b>word4</p>

重叠也可以嵌套。

如何使用 HTML Agility Pack (HAP) 将其转换为格式良好的 HTML？

我正在寻找这个输出：

<p>word1<b>word2</b></p>
<p><b>word3</b>word4</p>

我尝试了HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap，但它没有按预期工作。

Answer 1

它实际上按预期工作，但可能没有按您的预期工作。不管怎样，这里有一段代码示例（一个控制台应用程序），它演示了如何使用该库实现一些 HTML 修复。

该库有一个 ParseErrors 集合，您可以使用它来确定在标记解析期间检测到哪些错误。

这里确实有两种类型的问题：

1) 未封闭的元素。库默认修复了这个问题，但 P 元素上有一个选项可以防止在这种情况下发生这种情况。

2) 未打开的元素。这个比较复杂，因为这取决于您要如何修复它，您希望在哪里打开标签？在下面的示例中，我使用了最近的上一个文本兄弟节点来打开元素。

static void Main(string[] args)
{
    // clear the flags on P so unclosed elements in P will be auto closed.
    HtmlNode.ElementsFlags.Remove("p");

    // load the document
    HtmlDocument doc = new HtmlDocument();
    doc.Load("yourTestFile.htm");

    // build a list of nodes ordered by stream position
    NodePositions pos = new NodePositions(doc);

    // browse all tags detected as not opened
    foreach (HtmlParseError error in doc.ParseErrors.Where(e => e.Code == HtmlParseErrorCode.TagNotOpened))
    {
        // find the text node just before this error
        HtmlTextNode last = pos.Nodes.OfType<HtmlTextNode>().LastOrDefault(n => n.StreamPosition < error.StreamPosition);
        if (last != null)
        {
            // fix the text; reintroduce the broken tag
            last.Text = error.SourceText.Replace("/", "") + last.Text + error.SourceText;
        }
    }

    doc.Save(Console.Out);
}

public class NodePositions
{
    public NodePositions(HtmlDocument doc)
    {
        AddNode(doc.DocumentNode);
        Nodes.Sort(new NodePositionComparer());
    }

    private void AddNode(HtmlNode node)
    {
        Nodes.Add(node);
        foreach (HtmlNode child in node.ChildNodes)
        {
            AddNode(child);
        }
    }

    private class NodePositionComparer : IComparer<HtmlNode>
    {
        public int Compare(HtmlNode x, HtmlNode y)
        {
            return x.StreamPosition.CompareTo(y.StreamPosition);
        }
    }

    public List<HtmlNode> Nodes = new List<HtmlNode>();
}