检查 HTML 字符串中是否有未打开的标签

Question

我有一个字符串作为 HTML 源，我想检查作为字符串的 HTML 源是否包含未打开的标签。

例如，下面的字符串在 WAVEFORM 之后包含

</u>

，而 WAVEFORM 没有开头

<u>

。

WAVEFORM</u> YES, <u>NEGATIVE AUSCULTATION OF EPIGASTRUM</u> YES,

我只想检查这些类型的未打开标签，然后我必须将打开标签附加到字符串的开头？

Answer 1

对于这种特定情况，您可以使用 HTML Agility Pack 来断言 HTML 格式是否正确或者是否有标签未打开。

var htmlDoc = new HtmlDocument();

htmlDoc.LoadHtml(
    "WAVEFORM</u> YES, <u>NEGATIVE AUSCULTATION OF EPIGASTRUM</u> YES,");

foreach (var error in htmlDoc.ParseErrors)
{
    // Prints: TagNotOpened
    Console.WriteLine(error.Code);
    // Prints: Start tag <u> was not found
    Console.WriteLine(error.Reason); 
}

Answer 2

没那么容易。您不能直接使用 HTML 解析器，因为它不是有效的 HTML，但您也不能轻易地在整个过程中使用正则表达式，因为正则表达式无法处理嵌套或其他 HTML 复杂性。

您能做的最好的事情可能就是使用正则表达式来查找每个标记结构，例如。像这样的东西：

<(\w+)(?:\s+[-\w]+(?:\s*(?:=\s*(?:"[^"]*"|'[^']*'|[^'">\s][^>\s]*)))?)*\s*>
|</(\w+)\s*>
|<!--.*?-->

从空的要打开的标签列表和空的要关闭的标签列表开始。对于字符串中的每个匹配项，查看第 1 组和第 2 组，看看是否有开始或结束标记。 （或者是评论，您可以忽略它。）

如果你有一个开始标签，你需要知道它是否需要关闭，即。如果它是

EMPTY

内容模型标签之一，例如

<img>

。如果一个元素是

EMPTY

，则它不需要关闭，因此您可以忽略它。 （如果您有 XHTML，这一切都会更容易一些。）

如果您有开始标签，请将正则表达式组中的标签名称添加到要关闭的标签列表中。如果您有结束标签，请从要关闭的标签列表的末尾取出一个标签（它应该与那里的标签名称相同，否则您的标记无效。如果上没有标签要关闭的标签列表，而是将标签名称添加到要打开的标签列表中。

到达输入字符串的末尾后，以相反的顺序将每个要打开的标记添加到字符串中，并将要关闭的标记的结束标记附加到末尾，再次在颠倒顺序。

（是的，我正在用正则表达式解析 HTML。我认为这种肮脏的行为说明了为什么你不想这样做。如果你可以采取任何措施来避免已经在标签中间剪切你的标记，那就这样做。 )

Answer 3

    using HtmlDocument = HtmlAgilityPack.HtmlDocument;
    public static string HttpParse(string strIn)
    {
        string strRtn = "";
        HtmlDocument htmlDoc = new HtmlDocument();
        htmlDoc.LoadHtml(strIn);
        foreach(var strErr in htmlDoc.ParseErrors)
        {
            strRtn += strErr.Reason + Environment.NewLine;
        }
        return strRtn;
    }