.NET xElement 错误协调（html 实体名称到其数字字符引用的转换）

Question

我需要将 HTML 解析为 xElement。我知道这个解决方案对于格式错误的 HTML 不是很宽容。这很好，因为无论如何我都想陷入无效的 HTML。但是，我不希望 XElement.Parse() 方法在遇到 HTML 实体时失败。

我想知道 .NET 框架中是否内置了一些东西，可以将命名的 HTML 实体转换为数字字符引用。

这行得通，但我真的不想对每个实体都这样做。

Public Function GetEntityReplacementList() As IDictionary(Of String, String)
    'http://www.w3.org/TR/html4/sgml/entities.html
    Dim _dictonary As New Dictionary(Of String, String)
    _dictonary.Add(" ", " ") ' " " non-breaking space
    _dictonary.Add("&lt;", "&#60;") '<  less than
    _dictonary.Add("&gt;", "&#62;") '>  greater than
    _dictonary.Add("&amp;", "&#38;") '&     ampersand
    _dictonary.Add("&cent;", "&#162;") '¢   cent
    _dictonary.Add("&pound;", "&#163;") '£  pound
    _dictonary.Add("&yen;", "&#165;") '¥    yen
    _dictonary.Add("&euro;", "&#8364;") '€  euro
    _dictonary.Add("&copy;", "&#169;") '©   copyright
    _dictonary.Add("&reg;", "&#174;") '® registered trademark
    _dictonary.Add("&lsquo;", "&#8216;") ' single quote
    _dictonary.Add("&rsquo;", "&#8217;") ' single quote
    _dictonary.Add("&ldquo;", "&#8220;") ' Double quote
    _dictonary.Add("&rdquo;", "&#8221;") ' Double quote
    _dictonary.Add("&bull;", "&#8226;") ' Bullet
    _dictonary.Add("&ccedil;", "&#199;")
    _dictonary.Add("&euml;", "&#199;")
    _dictonary.Add("&eacute;", "&#233;")
    _dictonary.Add("&mdash;", "&#8212;")
    _dictonary.Add("&egrave;", "&#200;")
    _dictonary.Add("&aacute;", "&#225;")
    _dictonary.Add("&ndash;", "&#8211;")
    Return _dictonary
End Function

<Extension()>
Public Function CreateXElementWithEntityReplacements(p_xml As String) As XElement


    For Each _pair In GetEntityReplacementList()
        p_xml = Regex.Replace(p_xml, _pair.Key, _pair.Value, RegexOptions.IgnoreCase)
    Next

    Return XElement.Parse(p_xml)

End Function

Answer 1

你会在这里遇到很多问题。尽管您想捕获无效的 HTML，但存在无效的 XML 的有效 HTML - 例如，<br> 是有效的 HTML 但无效的 XML。

但是，如果您确信您的解决方案仅需要解析也是有效 XML 的 HTML，您只需将正确的实体定义添加到文档字符串的顶部，它就会解析正确地从那里出来。例如，您可以将以下内容添加到您的 html 字符串中：

<!DOCTYPE documentElement[
  <!ENTITY nbsp "&#16;">
]><a href = 'blah'>&nbsp; &lt; &amp;</a>

这将被解析为有效的 HTML。您可以从 HTML DTD 中获取实体列表，可在此处获得：

• http://www.w3.org/TR/xhtml1/DTD/xhtml-lat1.ent
• http://www.w3.org/TR/xhtml1/DTD/xhtml-special.ent
• http://www.w3.org/TR/xhtml1/DTD/xhtml-symbol.ent

您可以跳过 lt、gt 和 amp - 这些都是有效的 XML 实体。或者，您可以将该列表重构到您的字典中。