使用特定符号（<、>）从 html 加载 HtmlDocument答案

【问题标题】：Load HtmlDocument from html with specific symbols (<, >)使用特定符号（<、>）从 html 加载 HtmlDocument
【发布时间】：2012-10-10 19:02:38
【问题描述】：

我正在创建 HtmlDocument 并使用 LoadHtml(string)。我的输入 html 字符串有时会在其中包含符号 &lt; 和 >。所以html解析不正确，例如：

我的 html 是
<p>Value < 20 A B C</p>

在这种情况下，我的文档 OutputHtml 是
<p>Value < 20="" a="" b=""></p>

也许我必须在 HtmlDocument 中设置一些标志，但我没有发现任何有用的东西。

P.S. HtmlNode 具有相同的行为。

【问题讨论】：

您是否可以修复 HTML？ &lt; 应该是 &lt;。我知道 HTML 比 XML 更宽松，但我认为这基本上仍然是无效的 HTML。（仅仅因为它在浏览器中呈现并不能使它有效......）
我从第三方来源获取 html 字符串。也许我可以用有效代码替换这个字符串中的&lt;、>符号，然后调用函数，但是不替换标签怎么办？
听起来您想先在其上运行 HtmlTidy - 请参阅 tidy.sourceforge.net（或类似的东西。）
是的。这是 HAP 中的一个错误。不太可能是一个设置，因为这种行为总是错误的。 HtmlTidy 看起来是你最好的选择。
@SimonMourier - HTML5 规范详细说明了如何解析无效的 HTML。事实上，它足以涵盖任何字节序列。在这种情况下，它被tag open state of the tokenizer (anything else case) 覆盖，它表示如果&lt; 后面的字符是空格，则尖括号只是一个小于号，而不是标签的开头。

标签： c# html parsing xpath html-agility-pack

【解决方案1】：

解决问题最好的方法是在&lt中更改字符<（字符>无需更改）

要知道字符<什么时候是标签，什么时候'小于'你可以问if 代码如下：

public static string CreateCorrectHtmlDoc(string htmlDoc)
        {
            int i = 0;
            List<int> index = new List<int>();
            try
            {
                //look for '<' 
                while ((i = htmlDoc.IndexOf("<", i)) != -1)
                {
                    i += 1;
                    //regex to find '<' that is no tag
                    if (Regex.IsMatch(htmlDoc[i].ToString(), "\\d|-") || Regex.IsMatch(htmlDoc[i].ToString(), "[^a-zA-Z!]") && Regex.IsMatch(htmlDoc[i + 1].ToString(), "\\d\\s|-|\\d"))
                    {
                        htmlDoc = htmlDoc.Substring(0, i - 1) + "&lt" + htmlDoc.Substring(i + 1);
                    }
                }
            }
            catch
            {
                Log.Insert("Error: CreateCorrectHtmlDoc");
                return "";
            }
            return htmlDoc;
        }

我正在使用它，它工作得很好

【讨论】：

@ChruS，您可以更改正则表达式：instesd \\d put \\s\\d，我更改了代码
是的，这很好用！但是如果 <20 没有空格怎么办？