如何将所有HTML img关闭标记转换为XML兼容？ （<img>到<img/>）

Question

任务：我们通过HttpWebRequest（大约6000次调用）为内容刮取HTML。该字符串被修剪并存储在SQL Server 2014数据库中，作为XML进行处理。

问题：在SQL Server中，由于图像标签，我们将得到一个XML解析错误：“...end tag does not match start tag”。

现在，我有一个相当不雅的和潜在 SQL Server有缺陷的解决方案。

样品字符串

<div someattr="aaa"> 
    <div class="bbb">Some Text</div> 
    <img src="image.jpg" width="150">  <-- Notice the lack of /> 
</div> 

预期的效果

<div someattr="aaa"> 
    <div class="bbb">Some Text</div> 
    <img src="image.jpg" width="150"/>  <-- Notice the /> 
</div> 

我在ASP.Net试过无数的正则表达式组合，我似乎做弊大于利。任何指导或方向将不胜感激。

尊敬，

约翰

Answer 1

我建议你使用一个HTML解析器UND存储中的数据以更好的方式不仅仅是一个字符串。但是，如果你打算用正则表达式的快速和肮脏的解决方案，这可以帮助你：

查找这个表达式：

(<img[^>]*?[^\/]\s*)(>) 

，取而代之的是：

$1/$2 

• [^>]*?寻找除>之外的任何字符但尽可能少
• [^\/]\s*确保最后一个cha在>之前的部分或者不是斜线/或者不是斜线后面是空格
• 第一部分和第二部分分组在$1和$2之间。它只会匹配，如果还没有斜线，并且它是img标记。
• 如果在<img ...>标签之间存在>字符作为字符串，或者标签根本没有关闭<img title=""，它将不起作用。

---

这是一个活生生的例子：https://regex101.com/r/HIxIIR/1

Answer 2

尝试转换您的HTML先XHTML，也有一些转换器在那里。正则表达式和HTML没有工作对我来说要么...

Answer 3

不幸的是HTML不一定是有效的XML（XHTML除外）。所以你有期待未封闭的标签。 HTML显然确实允许一些标签像<br >那样未被封闭，并且即使确实缺少甚至重叠的标签即使在HTML中也是实际的错误，其被构建为健壮的。

根据您期望的HTML，您可以尝试将某些错误更正为XML。例如，您知道在具有不同属性值和内容的所有结构中它总是相同的。如果你得到的HTML可以是任何东西，恐怕你运气不好。也许你可以将它存储为NVARCHAR（MAX），并且如果必须在数据库上使用LIKE来查询它。

Answer 4

下面是一个快速和肮脏的解决方案，只使用T-SQL。

Rextester演示：http://rextester.com/TLF34624

CREATE FUNCTION processHtml(@html VARCHAR(MAX)) 
RETURNS VARCHAR(MAX) 
AS 
BEGIN 
    DECLARE @remainingHtml VARCHAR(MAX), 
      @processedHtml VARCHAR(MAX), 
      @imgPos INT, 
      @closingAngleBracketPos INT, 
      @openingAngleBracketPos INT; 
    SET @remainingHtml = @html; 
    SET @imgPos = PATINDEX('%<img%[^</]>%', @remainingHtml); 
    WHILE @imgPos > 0 
    BEGIN 
     SET @processedHtml = CONCAT(@processedHtml, SUBSTRING(@remainingHtml, 1, @imgPos - 1)); 
     SET @remainingHtml = SUBSTRING(@remainingHtml, @imgPos, LEN(@remainingHtml)); 
     SET @closingAngleBracketPos = PATINDEX('%[^/]>%', @remainingHtml); 
     SET @openingAngleBracketPos = CHARINDEX('<', @remainingHtml, 2); 
     IF @closingAngleBracketPos < 0 
      SET @imgPos = -1; 
     ELSE IF @closingAngleBracketPos < @openingAngleBracketPos 
     BEGIN 
      SET @processedHtml = CONCAT(@processedHtml, SUBSTRING(@remainingHtml, 1, @closingAngleBracketPos), '/>'); 
      SET @remainingHtml = SUBSTRING(@remainingHtml, @closingAngleBracketPos + 2, LEN(@remainingHtml)); 
      SET @imgPos = PATINDEX('%<img%[^</]>%', @remainingHtml); 
     END 
     ELSE 
     BEGIN 
      SET @processedHtml = CONCAT(@processedHtml, SUBSTRING(@remainingHtml, 1, @openingAngleBracketPos - 1)); 
      SET @remainingHtml = SUBSTRING(@remainingHtml, @openingAngleBracketPos, LEN(@remainingHtml)); 
      SET @imgPos = PATINDEX('%<img%[^</]>%', @remainingHtml); 
     END 
    END 

    SET @processedHtml = CONCAT(@processedHtml, @remainingHtml); 
    RETURN @processedHtml; 
END