如何将 HTML 转换为 XHTML？ [关闭]

Question

我需要将 HTML 文档转换为有效的 XML，最好是 XHTML。最好的方法是什么？有没有人知道工具包/库/示例/...任何可以帮助我完成任务的东西？

在这里更清楚一点，我的应用程序必须在运行时自动进行转换。我不寻找可以帮助我手动将某些页面移动到 XHTML 的工具。

Answer 1

Convert from HTML to XML with HTML Tidy

Downloadable Binaries

JRoppert，根据您的需要，我想您可能想查看Sources

c:\temp>tidy -help
tidy [option...] [file...] [option...] [file...]
Utility to clean up and pretty print HTML/XHTML/XML
see http://tidy.sourceforge.net/

Options for HTML Tidy for Windows released on 14 February 2006:

File manipulation
-----------------
 -output <file>, -o  write output to the specified <file>
 <file>
 -config <file>      set configuration options from the specified <file>
 -file <file>, -f    write errors to the specified <file>
 <file>
 -modify, -m         modify the original input files

Processing directives
---------------------
 -indent, -i         indent element content
 -wrap <column>, -w  wrap text at the specified <column>. 0 is assumed if
 <column>            <column> is missing. When this option is omitted, the
                     default of the configuration option "wrap" applies.
 -upper, -u          force tags to upper case
 -clean, -c          replace FONT, NOBR and CENTER tags by CSS
 -bare, -b           strip out smart quotes and em dashes, etc.
 -numeric, -n        output numeric rather than named entities
 -errors, -e         only show errors
 -quiet, -q          suppress nonessential output
 -omit               omit optional end tags
 -xml                specify the input is well formed XML
 -asxml, -asxhtml    convert HTML to well formed XHTML
 -ashtml             force XHTML to well formed HTML
 -access <level>     do additional accessibility checks (<level> = 0, 1, 2, 3).
                     0 is assumed if <level> is missing.

Character encodings
-------------------
 -raw                output values above 127 without conversion to entities
 -ascii              use ISO-8859-1 for input, US-ASCII for output
 -latin0             use ISO-8859-15 for input, US-ASCII for output
 -latin1             use ISO-8859-1 for both input and output
 -iso2022            use ISO-2022 for both input and output
 -utf8               use UTF-8 for both input and output
 -mac                use MacRoman for input, US-ASCII for output
 -win1252            use Windows-1252 for input, US-ASCII for output
 -ibm858             use IBM-858 (CP850+Euro) for input, US-ASCII for output
 -utf16le            use UTF-16LE for both input and output
 -utf16be            use UTF-16BE for both input and output
 -utf16              use UTF-16 for both input and output
 -big5               use Big5 for both input and output
 -shiftjis           use Shift_JIS for both input and output
 -language <lang>    set the two-letter language code <lang> (for future use)

Miscellaneous
-------------
 -version, -v        show the version of Tidy
 -help, -h, -?       list the command line options
 -xml-help           list the command line options in XML format
 -help-config        list all configuration options
 -xml-config         list all configuration options in XML format
 -show-config        list the current configuration settings

Use --blah blarg for any configuration option "blah" with argument "blarg"

Input/Output default to stdin/stdout respectively
Single letter options apart from -f may be combined
as in:  tidy -f errs.txt -imu foo.html
For further info on HTML see http://www.w3.org/MarkUp

Answer 2

您可以使用HTML Agility Pack。它来自 CodePlex 的开源项目。

Answer 3

Validator.nu HTML Parser 带有一个 HTML2XML 示例程序，它使用 HTML5 解析算法和信息集强制规则进行转换。

Answer 4

为 .NET 4.0 使用 Html2Xhtml：

内存中字符串到字符串的转换：

var xhtml = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToEnd();

内存中字符串到XDocument的转换：

var xdoc = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToXDocument();

更多信息请参见http://corsis.sourceforge.net/index.php/Html2Xhtml。

Answer 5

http://corsis.sourceforge.net/index.php/Html2Xhtmlhttp://corsis.sourceforge.net/index.php/Html2Xhtml

Html2Xhtml 是一个 .NET 4.0 库，用于将 HTML 转换为 GPLv2 或更高版本许可的 XHTML。

我在欧盟的一个大型在线数据库本地重构中测试了Html2Xhtml。 Tidy/Tidy.NET 在大多数情况下甚至都不会产生有效的输出，Chilkat 的 HTML 到 XML 有点慢并且产生了奇怪的结果（错位、丢失、无法解释的元素）。为了找到一个免费、快速和可靠的转换工具，我创建了这个库。它的转换速度比我测试的所有其他库快 2 到 4 倍。

Html2Xhtml，结合 LINQ to XML 的强大功能，是所有大规模数据提取和网络爬取场景的绝佳工具。

Answer 6

您可以使用整洁的可执行文件将 html 转换为 xhtml：

tidy -asxhtml -numeric index.xhml

你可以查看c#实现here。

Answer 7

最简单的方法是设置您的 Visual Studio IDE 以识别您需要进行的更改。 您可以在 Visual Studio 2008 中执行此操作，方法是： 工具、选项、文本编辑器、HTML、验证并选择适当的目标。 可能是 XHTML 1.1 或 XHTML 1.0 过渡。

有关不同类型的一些信息，请阅读： http://msdn.microsoft.com/en-us/library/aa479043.aspx

然后您需要处理页面上突出显示的点。