Как разобрать файл XHTML, который не на 100% действителен?

Question

У меня есть файлы XHTML, источник которых не является полностью действительным, он не соответствует DTD документа XML.

Как есть места, где для " используется &Idquo; или для апострофов ’. Это вызывает исключения в моем коде C #.

Так есть ли какой-либо метод или любая веб-ссылка, которую я могу использовать, чтобы избавиться от этого?

Answer 1

Если файл правильно сформирован, вы можете определить символьные объекты в своем собственном DTD.

Если файл неверно сформирован, HTML Agility Pack из CodePlex проанализирует его.

Answer 2

Вместо этого вы можете проанализировать документ как HTML , поскольку оба они в конечном итоге приводят к тому, что анализаторы DOM и HTML смеются над этими проблемами с кавычками. Придерживаясь идеи неизвестного HTML Tidy, вы можете затем сериализовать DOM обратно в действительный файл XHTML. (Это идентично использованию HTML Tidy, который в любом случае предположительно использует анализатор HTML, за исключением того, что вы делаете это из C # программно.)

Answer 3

По природе XML он должен быть действительным, иначе он вообще не будет отображаться. Сначала я посмотрю, какие ошибки он генерирует с помощью валидатора W3C http://validator.w3.org/

Также рассмотрите возможность использования HTML tidy, который также можно настроить для исправления XML.

Мы используем hpricot для исправления нашего XML, но опять же мы создаем приложения для rails. Не уверен насчет C #