將>轉換為HTML字符串中的HTML實體等效項

Question

我正在嘗試將>字符的所有實例轉換為其HTML實體等效項>，在包含HTML標記的HTML字符串中。 我能用最好的解決辦法就是使用正則表達式。

這是我到目前為止所擁有的：

        public static readonly Regex HtmlAngleBracketNotPartOfTag = new Regex("(?:<[^>]*(?:>|$))(>)", RegexOptions.Compiled | RegexOptions.Singleline);

我遇到的主要問題是隔離不屬於HTML標記的單個>字符。 我不想轉換任何現有標簽，因為我需要保留HTML以進行渲染。 如果我不轉換>字符，我會得到格式錯誤的HTML，這會導致瀏覽器出現渲染問題。

這是要解析的測試字符串的示例：

"Ok, now I've got the correct setting.<br/><br/>On 12/22/2008 3:45 PM, jproot@somedomain.com wrote:<br/><div class"quotedReply">> Ok, got it, hope the angle bracket quotes are there.<br/>><br/>> On 12/22/2008 3:45 PM, > sbartfast@somedomain.com wrote:<br/>>> Please someone, reply to this.<br/>>><br/>><br/></div>"

在上面的字符串中，不應將屬於HTML標記的>字符轉換為>。 所以這：

<div class"quotedReply">>

應該成為這樣的：

<div class"quotedReply">&gt;

另一個問題是上面的表達式使用了非捕獲組，除了匹配在組1中這一事實之外沒什么問題。我不太確定如何僅在組1上進行替換並保留其余的組。比賽。 似乎MatchEvaluator並沒有真正做到這一點，或者我現在無法想象它。

我懷疑我的正則表達式可以用一些愛。

有人有什么好主意嗎？

Answer 1

你為什么要這樣做？ >做什么有害？ 我遇到的大多數解析器都非常滿意，而不需要將其轉義為實體。

另外，在將內容字符串與包含HTML標記的字符串連接之前，使用HtmlUtilty.HtmlEncode對內容字符串進行正確編碼會更合適，因此，如果這是在您的控制之下，您應該考慮在那里處理它。

Answer 2

訣竅是捕獲不是目標的所有內容，然后將其與更改的文本一起重新插入，如下所示：

Regex.Replace(str, @"\G((?>[^<>]+|<[^>]*>)*)>", "$1&gt;");

但安東尼是對的：文本節點中的右尖括號不應該引起任何問題。 將HTML與正則表達式匹配是棘手的; 例如，注釋和CDATA幾乎可以包含任何內容，因此強大的正則表達式必須具體匹配它們。

Answer 3

也許將您的HTML讀入XML解析器，該解析器應該為您完成轉換。

Answer 4

您是在談論HTML標記內的>字符（如Java的innerText中），還是HTML標記的參數列表？

如果您只想清理開始和結束標記之間的文本，那應該相當簡單。 只需找到任何> char，並將其替換為＆gt ;. （我也會用＆lt標簽來做），但是HTML渲染引擎應該為你照顧這個......

舉一個你想要消毒的例子，也許我們找到最好的解決方案。

拉里

Answer 5

您是否可以將字符串讀入XML文檔並查看值並將>替換為> 在價值觀中。 這將需要遞歸進入文檔中的每個節點，但這不應該太難。

Answer 6

Steve_C，你可以試試這個RegEx。 這將捕獲引用1中的任何HTML標記，並且標記之間的文本存儲在捕獲2中。我沒有完全測試它，只是將其丟棄，以防它可能有所幫助。

<([A-Z][A-Z0-9]*)[^>]*>(.*?)</\1>