清理 c# 中 contentEditable 创建的 HTML

Question

我编写了一个文档编辑器，它使用 contentEditable 创建 HTML 内容。在一些较大的文档中，语法风格似乎无处不在。这很可能是从写字板和早期版本的编辑器粘贴内容的结果。

问题是，现在我留下了很多非常不一致的文档。

一开始还算正常。每行的简单<p>标签

<p>It is a truth</p>
<p>universally acknowledged</p>
<p>that a single&nbsp;man</p>

到目前为止，唯一“糟糕”的 html 是几个空的 <i></i> 标签，以及偶尔出现的   而不是空格（有人知道为什么吗？）

然后它大约在文档的一半处，换行符切换到这种格式。

<div>
    <br>
    CHAPTER 1<br>
    <br>
    The sky above the port
    <br>
    was the color of a television
    <br>
    tuned to a dead channel.
</div> 
<div>
    <br>
</div>

然后在页面下方大约 3/4 处，我们得到了这个。它似乎已恢复为<p></p> 标签，但现在将它们随机嵌入<span> 标签中，lang 属性为空

<div>
    <span lang="">
        <p>It was the best of times,</p> 
        <p>it was the worst of times,</p> 
    </span>
    <p>it was the age of wisdom,</p>
    <p>it was the age of foolishness,</p>
</div>

注意：有些行在<span> 内，有些在外。

更糟糕的是，稍后我们会嵌套<span> 标签

<span lang="">
    <div>
        <span lang="EN-GB">
            <p>Stately, plump </p> 
            <p>Buck Mulligan came </p> 
            <span lang="EN-GB">
                <p>from the stairhead, </p>
                <p>bearing a bowl of lather </p>                
                <span lang="EN-GB">
                    <p> on which a mirror and a razor lay crossed</p>
                </span>
            </span>
        </span>
    </div>
</span>

您可能还注意到 <span> 和 <div> 标签的父代现在一开始就颠倒了，<div> 现在是 <span> 的子代

我注意到了其他奇怪的事情。开始时使用<i></i>，但后来使用<em></em>。

1. 清理此 HTML 的最佳方法是什么？
2. 我应该尝试用<p> 标签包围孤立的行吗？
3. 如何只删除那些本身包含<p> 标签的<div> 标签？以及如何避免在文档中留下孤立的文本？

Answer 1

是一个难题，我在从文本中编辑 HTML 时遇到了同样的问题。

我发现了这个免费的纯 HTML + JS 编辑器：TinyMCE

http://www.tinymce.com/

其中包括清理文本选项，您可以从文本中选择要清理的标签。

如果你有机会改变你正在使用的编辑器，它非常强大。