Question

有时来自第三方API，我会收到格式错误的HTML元素：

olor:red">Text</span>

当我期待：

<span style="color:red">Text</span>

对于我的上下文，HTML的文本内容更重要，因此如果我丢失了周围的标签/格式，则无关紧要。

删除格式错误的代码的最佳方法是什么，以便第一个示例读取

Text

第二个不会改变？

Answer 1

我建议你看看HtmlAgilityPack，这是一个非常方便的HTML清理工具。

以下是使用上述库的方法示例：

static void Main()
{
    var inputs = new[] { 
    @"olor:red"">Text</span>",
    @"<span style=""color:red"">Text</span>",
    @"Text</span>",
    @"<span style=""color:red"">Text",
    @"<span style=""color:red"">Text"
    };
    var doc = new HtmlDocument();
    inputs.ToList().ForEach(i => {
        if (!i.StartsWith("<"))
        {
            if (i.IndexOf(">") != i.Length-1)
                i = "<" + i;
            else
                i = i.Substring(0, i.IndexOf("<"));
            doc.LoadHtml(i);
            Console.WriteLine(doc.DocumentNode.InnerText);
        }
        else
        {
            doc.LoadHtml(i);
            Console.WriteLine(doc.DocumentNode.OuterHtml);
        }
    });
}

输出：

Text
<span style="color:red">Text</span>
Text
<span style="color:red">Text</span>
<span style="color:red">Text</span>

Answer 2

非常粗略地说，您可以通过在>之前删除所有内容并将所有内容保留在<之前删除所有“标记”。

我假设您还需要考虑收到的文字没有标签的情况：例如： Text。

在伪代码中：

returnText = ""

loop:
    gtI = text.IndexOf(">")
    ltI = text.IndexOf("<")
    if -1==gtI and -1==ltI:
        returnText += text
        we're done
    if gtI==-1:
        returnText += text up to position ltI
        return returnText
    if ltI==-1:
        returnText += text after gtI
        return returnText
    if ltI < gtI:
        returnText += textBefore ltI
        text = text after ltI
        loop
    // gtI < ltI:
    text = text after gtI
    loop

使用自定义编码解析器可以做得更好（也更快），但基本上逻辑是相同的。

你真的应该问为什么API只返回你需要的部分内容：我不明白为什么它应该返回ext</span>，这真的让你感到困惑。

Answer 3

如果您只需要标签的内容，并且没有标签类型的信息等，您可以使用正则表达式：

var r = new Regex(">([^>]+)<");
var text = "olor:red\">Text</span>";

var m = r.Match(text);

这将找到每个标签的每个内部文本。

从字符串中删除格式错误的HTML

3 个答案: