AngleSharp 解析为有效的 HTML <script> 和 XML答案

【问题标题】：AngleSharp parsing to valid HTML <script> and XMLAngleSharp 解析为有效的 HTML <script> 和 XML
【发布时间】：2018-03-28 15:20:50
【问题描述】：

我正在使用 AngleSharp 为网站编写解析器，我最终需要获取 XML。

在xml中解析的时候，解析段脚本有问题，因为有""这样的符号。编号的行出现错误

我该如何解决这种情况（我需要使用 AngleSharp）？我尝试了不同的网站，结果是一样的

        var config = Configuration.Default
                      .WithCss()
                      .WithDefaultLoader();
        var address = Url.Create("https://www.google.com/");
        var document = BrowsingContext.New(config).OpenAsync(address).GetAwaiter().GetResult();

        XmlDocument xmlDocument = new XmlDocument();
        var xDocument = new HtmlParser().Parse(document.DocumentElement.InnerHtml);
        var formatter = new AngleSharp.Xml.XmlMarkupFormatter();
        var result = xDocument.ToHtml(formatter);
        xmlDocument.LoadXml(result); //1

        var parserXML = new XmlParser().Parse(document.DocumentElement.InnerHtml);//2
        xmlDocument.LoadXml(parserXML.ToHtml());

【问题讨论】：

标签： anglesharp

【解决方案1】：

XML 与 HTML 不兼容，尽管它们非常相似。因此，通常这是不可能的，但是，当您定义如何处理差异时，您可能会得出可接受的结果。

在这种转换的核心，需要定义以下函数。我们只处理 4 种节点类型 - 不应该出现其他任何类型。为简单起见，我们丢弃任何命名空间的元素或属性。

static XmlNode CreateNodeFrom(XmlDocument document, INode source)
{
    switch (source.NodeType)
    {
        case NodeType.Comment:
            return document.CreateComment(source.TextContent);
        case NodeType.Element:
            var original = (IElement)source;
            var element = document.CreateElement(original.LocalName);

            foreach (var attr in original.Attributes)
            {
                element.SetAttribute(attr.Name, attr.Value);
            }

            return element;
        case NodeType.Text:
            return document.CreateTextNode(source.TextContent);
        default:
            return null;
    }
}

该功能将几乎完全从树形转换器中使用：

static void AppendChildren(INode source, XmlNode target)
{
    var owner = target.OwnerDocument;

    foreach (var child in source.ChildNodes)
    {
        var node = CreateNodeFrom(owner, child);
        target.AppendChild(node);
        AppendChildren(child, node);
    }
}

所以我们只是遍历树并转换我们所看到的...更改您的原始功能：

var config = Configuration.Default.WithCss().WithDefaultLoader();
var address = Url.Create("https://www.google.com/");
var document = BrowsingContext.New(config).OpenAsync(address).Result;
var xmlDocument = new XmlDocument();
var root = CreateNodeFrom(xmlDocument, document.DocumentElement);
xmlDocument.AppendChild(root);
AppendChildren(document.DocumentElement, root);

（我不知道你为什么使用所有这些不同的解析器；解析器在文本级别工作，但 HTML 和 XML 在文本级别不兼容 - 所以让我们尝试在 DOM 级别进行转换，这是我们可以控制什么的地方正在发生）。

我删除了一些冗余并改进了您的 async->sync 桥（但我鼓励您删除 .Result 并使用 await，即返回 Task<XmlDocument> 而不是 XmlDocument）。

希望这会有所帮助！

【讨论】：