从 xhtml 文档中删除未关闭的打开 标签答案

【问题标题】：Removing unclosed opening tags from xhtml document从 xhtml 文档中删除未关闭的打开 标签
【发布时间】：2011-04-09 04:11:03
【问题描述】：

我有一个带有很多标签的大 xhtml 文档。我观察到一些未闭合的开头段落标签不必要地重复，我想删除它们或用空格替换它们。我只想编写代码来识别未闭合的段落标签并删除它们。

这里有一个小例子来说明我的意思：

<p><strong>Company Registration No.1</strong> </p>
<p><strong>Company Registration No.2</strong></p>

<p>      <!-- extra tag -->
<p>      <!-- extra tag -->

<hr/>     

<p><strong> HALL WOOD (LEEDS) LIMITED</strong><br/></p>
<p><strong>REPORT AND FINANCIAL STATEMENTS </strong></p>

谁能给我控制台应用程序的代码，只是为了删除这些未闭合的段落标签。

【问题讨论】：

标签： c# html xml regex xhtml

【解决方案1】：

这应该可行：

public static class XHTMLCleanerUpperThingy
{
    private const string p = "<p>";
    private const string closingp = "</p>";

    public static string CleanUpXHTML(string xhtml)
    {
        StringBuilder builder = new StringBuilder(xhtml);
        for (int idx = 0; idx < xhtml.Length; idx++)
        {
            int current;
            if ((current = xhtml.IndexOf(p, idx)) != -1)
            {
                int idxofnext = xhtml.IndexOf(p, current + p.Length);
                int idxofclose = xhtml.IndexOf(closingp, current);

                // if there is a next <p> tag
                if (idxofnext > 0)
                {
                    // if the next closing tag is farther than the next <p> tag
                    if (idxofnext < idxofclose)
                    {
                        for (int j = 0; j < p.Length; j++)
                        {
                            builder[current + j] = ' ';
                        }
                    }
                }
                // if there is not a final closing tag
                else if (idxofclose < 0)
                {
                    for (int j = 0; j < p.Length; j++)
                    {
                        builder[current + j] = ' ';
                    }
                }
            }
        }

        return builder.ToString();
    }
}

我已经用你的示例对其进行了测试，它可以工作......虽然它对于算法来说是一个糟糕的公式，但它应该给你一个开始的基础！

【讨论】：

【解决方案2】：

你必须弄清楚，创建了什么样的 DOM 树。可以理解为

<p><strong>Company Registration No.1</strong> </p>
<p><strong>Company Registration No.2</strong></p>

<p>      <!-- extra tag -->
  <p>      <!-- extra tag -->
    <hr/>     
    <p><strong> HALL WOOD (LEEDS) LIMITED</strong><br/></p>
    <p><strong>REPORT AND FINANCIAL STATEMENTS </strong></p>
  </p>
</p>

或

<p><strong>Company Registration No.1</strong> </p>
<p><strong>Company Registration No.2</strong></p>

<p></p>      <!-- extra tag -->
<p></p>      <!-- extra tag -->
<hr/>     
<p><strong> HALL WOOD (LEEDS) LIMITED</strong><br/></p>
<p><strong>REPORT AND FINANCIAL STATEMENTS </strong></p>

您可以尝试查找嵌套的 p-tag 并将内部内容移动到外部 p-tag 并删除保留为空的内部 p-tag。无论如何，我认为您需要先分析 DOM-tree。

【讨论】：

一个（官方）不允许包含另一个，所以第一个解释不太可能。当看到第二个单独的 时，它意味着关闭第一个。 <hr/> 有点棘手。我敢打赌该部分的 DOM 看起来像 .../strong> <hr/> <strong...