[英]Using C# to remove custom xml tags from html
我有一個帶有一些 html 代碼的字符串。 但是我需要將該 html 解析為XDocument
。
string input = String.Concat("<root>", htmlString, "</root>");
var doc = XDocument.Parse(input);
但有時在我的htmlString
有像<o:p></o:p>
這樣的標簽,例如,在XDocument.Parse()
我得到了異常:
':' 字符,十六進制值 0x3A,不能包含在名稱中。 第 1 行,位置 650。
如何刪除該標簽或至少替換標簽名稱中的':'
?
在進行解析之前,我試圖刪除/替換':'
但它不起作用:
try
{
Regex regex = new Regex(@"<[:][^>]+>.+?</\[:]>");
while (regex.IsMatch(htmlString))
{
htmlString= regex.Replace(htmlString, "");
}
}
catch { }
HTML 示例
<p>Some text</p>
<p class="MsoNormal" style="TEXT-ALIGN: justify; MARGIN: 0cm 0cm 0pt; LINE-HEIGHT: 150%">
<?xml:namespace prefix="o" ns="urn:schemas-microsoft-com:office:office"?>
<o:p> </o:p>
</p>
<p>More text</p>
更新
我正在使用HtmlAgilityPack
但它沒有刪除這個標簽。
我的代碼
ConfigureHtmlDocument();
var htmlDoc = new HtmlDocument();
htmlDoc.OptionFixNestedTags = true;
htmlDoc.LoadHtml(htmlString);
var htmlError = htmlDoc.ParseErrors.SafeAny();
if (!htmlError)
htmlString= htmlDoc.DocumentNode.InnerHtml;
try
{
Regex regex = new Regex(@"<[:][^>]+>.+?</\[:]>");
while (regex.IsMatch(htmlString))
{
htmlString= regex.Replace(htmlString, "");
}
}
catch { }
string input = String.Concat("<root>", htmlString, "</root>");
var doc = XDocument.Parse(input);
//more code
配置HtmlDocument()
if (!HtmlNode.ElementsFlags.ContainsKey("p"))
HtmlNode.ElementsFlags.Add("p", HtmlElementFlag.Closed);
else
HtmlNode.ElementsFlags["p"] = HtmlElementFlag.Closed;
if (!HtmlNode.ElementsFlags.ContainsKey("ul"))
HtmlNode.ElementsFlags.Add("ul", HtmlElementFlag.Closed);
else
HtmlNode.ElementsFlags["ul"] = HtmlElementFlag.Closed;
if (!HtmlNode.ElementsFlags.ContainsKey("li"))
HtmlNode.ElementsFlags.Add("li", HtmlElementFlag.Closed);
else
HtmlNode.ElementsFlags["li"] = HtmlElementFlag.Closed;
if (!HtmlNode.ElementsFlags.ContainsKey("ol"))
HtmlNode.ElementsFlags.Add("ol", HtmlElementFlag.Closed);
else
HtmlNode.ElementsFlags["ol"] = HtmlElementFlag.Closed;
//more similar code
解決了! 正則表達式是錯誤的。 我用這個替換了表達式:
//for remove xml declarations
htmlString = Regex.Replace(texto, @"<\?xml.*\?>", "");
//for remove custom tags like <o:p> and </o:p>
htmlString = Regex.Replace(texto, @"<(?:[\S]\:[\S])[^>]*>", "");
htmlString = Regex.Replace(texto, @"</(?:[\S]\:[\S])[^>]*>", "");
現在它起作用了!
如果你事先知道命名空間,你可以做一些簡單的事情:
htmlString = htmlString.Replace("<o:", "<").Replace("</o:", "</");
聲明:本站的技術帖子網頁,遵循CC BY-SA 4.0協議,如果您需要轉載,請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.