Можно ли исправить проблему в HtmlAgilityPack при наличии закрытого HTML-тега? - PullRequest
Новая
       15

Можно ли исправить проблему в HtmlAgilityPack при наличии закрытого HTML-тега?

2 голосов
/ 18 декабря 2009

ну у меня следующая проблема.
html, который у меня есть, искажен, и у меня возникают проблемы с выбором узлов, используя html agility pack, когда это так. код ниже: 

string strHtml = @"
<html>
  <div>
    <p><strong>Elem_A</strong>String_A1_2 String_A1_2</p>
    <p><strong>Elem_B</strong>String_B1_2 String_B1_2</p>
  </div>
  <div>
    <p><strong>Elem_A</strong>String_A2_2 <String_A2_2> asdas</p>
    <p><strong>Elem_B</strong>String_B2_2 String_B2_2</p>
  </div>
</html>";
HtmlAgilityPack.HtmlDocument objHtmlDocument = new HtmlAgilityPack.HtmlDocument();
objHtmlDocument.LoadHtml(strHtml);
HtmlAgilityPack.HtmlNodeCollection colnodePs = objHtmlDocument.DocumentNode.SelectNodes("//p");
List<string> lststrText = new List<string>();
foreach (HtmlAgilityPack.HtmlNode nodeP in colnodePs)
{
  lststrText.Add(nodeP.InnerHtml);
}

проблема в том, что String_A2_2 заключен в квадратные скобки.
поэтому пакет htmlagility возвращает 5 строк вместо 4 в lststrText.
так что можно позволить htmlagility pack вернуть элемент 3 как "<strong>Elem_A</strong>String_A2_2 <String_A2_2> asdas"
или, может быть, я могу сделать некоторую предварительную обработку, чтобы закрыть элемент?
текущее содержание lststrText 

lststrText[0] = "<strong>Elem_A</strong>String_A1_2 String_A1_2"  
lststrText[1] = "<strong>Elem_B</strong>String_B1_2 String_B1_2"  
lststrText[2] = ""  
lststrText[3] = ""  
lststrText[4] = "<strong>Elem_B</strong>String_B2_2 String_B2_2"

Ответы [ 2 ]

2 голосов
/ 26 декабря 2009

Большинство html-парсеров пытаются создать работающий DOM, что означает, что висячие теги не принимаются. Они будут преобразованы или каким-то образом закрыты.

Если для вас важен только выбор узлов, а скорость и огромные объемы данных не являются проблемой, вы можете вместо этого захватить все свои теги

с помощью регулярного выражения: 

Regex reMatchP = new Regex(@"<(p)>.*?</\1>");
foreach (Match m in reMatchP.Matches(strHtml))
{
   Console.WriteLine(m.Value);
}

Это регулярное выражение предполагает, что теги

правильно сформированы и закрыты.

Если вы часто запускаете это регулярное выражение в своей программе, вы должны объявить его как: 

static Regex reMatchP = new Regex(@"<(p)>.*?</\1>", RegexOptions.Compiled);

[Редактировать: Смена пакета ловкости]

Если вы хотите использовать пакет HtmlAgility, вы можете изменить функцию PushNodeEnd в HtmlDocument.cs: 

if (HtmlNode.IsCDataElement(CurrentNodeName()))
{
   _state = ParseState.PcData;
   return true;
}

// new code start
if ( !AllowedTags.Contains(_currentnode.Name) )
{
    close = true;
}
// new code end

где AllowedTags - список всех известных тегов: b, p, br, span, div и т. Д.

вывод не на 100%, что вы хотите, но, может быть, достаточно близко? 

<strong>Elem_A</strong>String_A1_2 String_A1_2
<strong>Elem_B</strong>String_B1_2 String_B1_2
<strong>Elem_A</strong>String_A2_2 <ignorestring_a2_2></ignorestring_a2_2> asdas
<strong>Elem_B</strong>String_B2_2 String_B2_2
2 голосов
/ 23 декабря 2009

Вы можете использовать TidyNet , чтобы выполнить предварительную / постобработку, на которую вы ссылаетесь. Можете ли вы отредактировать свой ответ, чтобы объяснить, почему это не применимо в вашем случае?

...