如何解析不是 100% 有效的 XHTML 文件？答案

【问题标题】：How to parse an XHTML file that is not 100% valid?如何解析不是 100% 有效的 XHTML 文件？
【发布时间】：2010-10-24 20:57:19
【问题描述】：

我有 XHTML 文件，其来源不完全有效，它不遵循 XML 文档的 DTD。

就像有些地方" 使用&Idquo; 或撇号使用&rsquo;。这会导致我的 C# 代码出现异常。

那么有什么方法或任何网络链接可以用来摆脱这种情况吗？

【问题讨论】：

标签： c# xml validation xhtml dtd

【解决方案1】：

根据 XML 的性质，它必须是有效的，否则它根本不会呈现。我先看看它使用 W3C 的验证器 http://validator.w3.org/ 会产生什么类型的错误

还可以考虑使用 HTML tidy，它也可以配置为修复 XML。

我们使用 hpricot 来修复我们的 XML，但我们又在构建 rails 应用程序。不确定 C#

【讨论】：

XML 不需要有效（按照规范中定义的这个词的含义），它需要格式正确。

【解决方案2】：

您可以改为解析文档as HTML，因为它们都以 DOM 结尾，而 HTML 解析器嘲笑这些三色堇引号问题。按照 unknown 的 HTML Tidy 想法，您可以将 DOM 序列化回有效的 XHTML 文件。（这与使用 HTML Tidy 相同，但可能无论如何都使用 HTML 解析器，除非您以编程方式从 C# 中执行此操作。）

【讨论】：

【解决方案3】：

如果文件格式正确，您可以在自己的 DTD 中定义字符实体。

如果文件格式不正确，来自 CodePlex 的 HTML Agility Pack 将解析它。

【讨论】：