HtmlAgilityPack дает проблемы с искаженным HTML - PullRequest
Новая
       16

HtmlAgilityPack дает проблемы с искаженным HTML

3 голосов
/ 31 мая 2010

Я хочу извлечь значимый текст из HTML-документа, и я использовал для этого html-agility-pack. Вот мой код: 

string convertedContent = HttpUtility.HtmlDecode(
    ConvertHtml(HtmlAgilityPack.HtmlEntity.DeEntitize(htmlAsString))
);

ConvertHtml: 

public string ConvertHtml(string html)
{
    HtmlDocument doc = new HtmlDocument();
    doc.LoadHtml(html);

    StringWriter sw = new StringWriter();
    ConvertTo(doc.DocumentNode, sw);
    sw.Flush();
    return sw.ToString();
}

ConvertTo: 

public void ConvertTo(HtmlAgilityPack.HtmlNode node, TextWriter outText)
{
    string html;
    switch (node.NodeType)
    {
        case HtmlAgilityPack.HtmlNodeType.Comment:
            // don't output comments
            break;

        case HtmlAgilityPack.HtmlNodeType.Document:
            foreach (HtmlNode subnode in node.ChildNodes)
            {
              ConvertTo(subnode, outText);
            }
            break;

        case HtmlAgilityPack.HtmlNodeType.Text:
            // script and style must not be output
            string parentName = node.ParentNode.Name;
            if ((parentName == "script") || (parentName == "style"))
                break;

            // get text
            html = ((HtmlTextNode)node).Text;

            // is it in fact a special closing node output as text?
            if (HtmlNode.IsOverlappedClosingElement(html))
                break;

            // check the text is meaningful and not a bunch of whitespaces
            if (html.Trim().Length > 0)
            {
                outText.Write(HtmlEntity.DeEntitize(html) + " ");
            }
            break;

        case HtmlAgilityPack.HtmlNodeType.Element:
            switch (node.Name)
            {
                case "p":
                    // treat paragraphs as crlf
                    outText.Write("\r\n");
                    break;
            }

            if (node.HasChildNodes)
            {
            foreach (HtmlNode subnode in node.ChildNodes)
             {
              ConvertTo(subnode, outText);
             }
            }
            break;
    }
}

Теперь в некоторых случаях, когда html-страницы искажены (например, следующая страница - http://rareseeds.com/cart/products/Purple_of_Romagna_Artichoke-646-72.html имеет некорректный метатег, такой как <meta content="text/html; charset=uft-8" http-equiv="Content-Type">) [Примечание «uft» вместо utf] мой код рвется в то время я пытаюсь загрузить HTML-документ.

Может кто-нибудь подсказать, как мне преодолеть эти искаженные HTML-страницы и при этом извлечь соответствующий текст из HTML-документа?

Спасибо, Капил

1 Ответ

3 голосов
/ 31 мая 2010

Как сказано на странице проекта HtmlAgilityPack: «Парсер очень терпим с искаженным HTML в реальном мире». Но ошибка, которую вы описываете, слишком серьезна, чтобы ее можно было исправить. Вы можете установить кодировку по умолчанию с помощью: 

 HtmlDocument doc = new HtmlDocument();
 doc.OptionDefaultStreamEncoding = Encoding.UTF8;
...