如何使用HTML Agility Pack修复格式不正确的HTML？

Question

我有这个重叠的标签病态的HTML：

<p>word1<b>word2</p> 
<p>word3</b>word4</p> 

重叠可以被嵌套了。

如何将它转换为HTML格式的HTML与HTML敏捷包（HAP）？

我在寻找这样的输出：

<p>word1<b>word2</b></p> 
<p><b>word3</b>word4</p> 

我试过HtmlNode.ElementsFlags["b"] = HtmlElementFlag.Closed | HtmlElementFlag.CanOverlap，但预期它不工作。

Answer 1

它实际上按预期工作，但可能不起作用您预期的。无论如何，下面是一段代码示例（一个控制台应用程序），演示了如何使用该库实现一些HTML修复。

该库有一个ParseErrors集合，您可以使用它来确定在标记解析期间检测到哪些错误。

实际上有两种类型的问题在这里：

1）未闭合的元素。这个库默认是固定的，但P元素上有一个选项可以防止这种情况发生。

2）未开封元素。这个更复杂，因为它取决于你想如何修复它，你想在哪里打开标签？在下面的示例中，我使用了最近的以前的文本兄弟节点来打开该元素。

static void Main(string[] args) 
{ 
    // clear the flags on P so unclosed elements in P will be auto closed. 
    HtmlNode.ElementsFlags.Remove("p"); 

    // load the document 
    HtmlDocument doc = new HtmlDocument(); 
    doc.Load("yourTestFile.htm"); 

    // build a list of nodes ordered by stream position 
    NodePositions pos = new NodePositions(doc); 

    // browse all tags detected as not opened 
    foreach (HtmlParseError error in doc.ParseErrors.Where(e => e.Code == HtmlParseErrorCode.TagNotOpened)) 
    { 
     // find the text node just before this error 
     HtmlTextNode last = pos.Nodes.OfType<HtmlTextNode>().LastOrDefault(n => n.StreamPosition < error.StreamPosition); 
     if (last != null) 
     { 
      // fix the text; reintroduce the broken tag 
      last.Text = error.SourceText.Replace("/", "") + last.Text + error.SourceText; 
     } 
    } 

    doc.Save(Console.Out); 
} 

public class NodePositions 
{ 
    public NodePositions(HtmlDocument doc) 
    { 
     AddNode(doc.DocumentNode); 
     Nodes.Sort(new NodePositionComparer()); 
    } 

    private void AddNode(HtmlNode node) 
    { 
     Nodes.Add(node); 
     foreach (HtmlNode child in node.ChildNodes) 
     { 
      AddNode(child); 
     } 
    } 

    private class NodePositionComparer : IComparer<HtmlNode> 
    { 
     public int Compare(HtmlNode x, HtmlNode y) 
     { 
      return x.StreamPosition.CompareTo(y.StreamPosition); 
     } 
    } 

    public List<HtmlNode> Nodes = new List<HtmlNode>(); 
}