Perder el signo 'menos que' en HtmlAgilityPack loadhtml

Question

Recientemente comencé a experimentar con HtmlAgilityPack. No estoy familiarizado con todas sus opciones y creo que estoy haciendo algo mal.

que tienen una cadena con el siguiente contenido:

string s = "<span style=\"color: #0000FF;\"><</span>"; 

Usted ver que en mi capacidad Tengo un 'menor que' signo. que procesar esta cadena con el siguiente código:

HtmlDocument htmlDocument = new HtmlDocument(); 
htmlDocument.LoadHtml(s); 

Pero cuando hago una mirada rápida y sucia en el lapso de esta manera:

htmlDocument.DocumentNode.ChildNodes[0].InnerHtml 

veo que el lapso está vacía.

¿Qué opción necesito para mantener el signo 'menos que'. Ya probé esto:

htmlDocument.OptionAutoCloseOnEnd = false; 
htmlDocument.OptionCheckSyntax = false; 
htmlDocument.OptionFixNestedTags = false; 

pero sin éxito.

Sé que es HTML no válido. Estoy usando esto para corregir HTML no válido y uso HTMLEncode en los signos 'menos que'

Por favor diríjanme en la dirección correcta. Gracias de antemano

Answer 1

Los paquetes de HTML agilidad detecta esto como un error y crea una instancia HtmlParseError para ello. Puede leer todos los errores usando ParseErrors de la clase HtmlDocument. Por lo tanto, si ejecuta este código:

string s = "<span style=\"color: #0000FF;\"><</span>"; 
    HtmlDocument doc = new HtmlDocument(); 
    doc.LoadHtml(s); 
    doc.Save(Console.Out); 

    Console.WriteLine(); 
    Console.WriteLine(); 

    foreach (HtmlParseError err in doc.ParseErrors) 
    { 
     Console.WriteLine("Error"); 
     Console.WriteLine(" code=" + err.Code); 
     Console.WriteLine(" reason=" + err.Reason); 
     Console.WriteLine(" text=" + err.SourceText); 
     Console.WriteLine(" line=" + err.Line); 
     Console.WriteLine(" pos=" + err.StreamPosition); 
     Console.WriteLine(" col=" + err.LinePosition); 
    } 

Se mostrará este (el texto corregido primero, y detalles acerca del error a continuación):

<span style="color: #0000FF;"></span> 

Error 
code=EndTagNotRequired 
reason=End tag </> is not required 
text=< 
line=1 
pos=30 
col=31 

para que pueda tratar de solucionar este error, como se tiene toda la información requerida (incluida la línea, la columna y la posición del flujo) pero el proceso general de corregir (no detectar) los errores en HTML es muy complejo.

Answer 2

corrija las marcas, porque su cadena HTML es válido:

string s = "<span style=\"color: #0000FF;\">&lt;</span>"; 

Answer 3

cadena "s" es malo html.

string s = "<span style=\"color: #0000FF;\">&lt;</span>"; 

es cierto.

Answer 4

Aunque es cierto que el html dado no es válido, HtmlAgilityPack aún debería poder analizarlo. No es un error poco común en la web olvidarse de codificar "<", y si HtmlAgilityPack se utiliza como rastreador, entonces debe anticiparse a html incorrecto. Probé el ejemplo en IE, Chrome y Firefox, y todos muestran el < extra como texto.

me escribió el siguiente método que se puede utilizar para preprocesar la cadena HTML y reemplazar todos los 'sin cerrar' '<' caracteres con "<":

static string PreProcess(string htmlInput) 
{ 
    // Stores the index of the last unclosed '<' character, or -1 if the last '<' character is closed. 
    int lastGt = -1; 

    // This list will be populated with all the unclosed '<' characters. 
    List<int> gtPositions = new List<int>(); 

    // Collect the unclosed '<' characters. 
    for (int i = 0; i < htmlInput.Length; i++) 
    { 
     if (htmlInput[i] == '<') 
     { 
      if (lastGt != -1) 
       gtPositions.Add(lastGt); 

      lastGt = i; 
     } 
     else if (htmlInput[i] == '>') 
      lastGt = -1; 
    } 

    if (lastGt != -1) 
     gtPositions.Add(lastGt); 

    // If no unclosed '<' characters are found, then just return the input string. 
    if (gtPositions.Count == 0) 
     return htmlInput; 

    // Build the output string, replace all unclosed '<' character by "&lt;". 
    StringBuilder htmlOutput = new StringBuilder(htmlInput.Length + 3 * gtPositions.Count); 
    int start = 0; 

    foreach (int gtPosition in gtPositions) 
    { 
     htmlOutput.Append(htmlInput.Substring(start, gtPosition - start)); 
     htmlOutput.Append("&lt;"); 
     start = gtPosition + 1; 
    } 

    htmlOutput.Append(htmlInput.Substring(start)); 
    return htmlOutput.ToString(); 
} 

Answer 5

Como mencioné en otra respuesta, la mejor solución que encontré fue realizar un pre-análisis del HTML para convertir los símbolos huérfanos < en su valor codificado en HTML <.

return Regex.Replace(html, "<(?![^<]+>)", "&lt;");