我需要将 HTML 文档转换为有效的 XML,最好是 XHTML。有什么最好的方法可以做到这一点吗?是否有任何工具包/库/示例等,可以帮助我完成这项任务?
更明确一些,我的应用程序必须在运行时自动进行转换。我不是在寻找一个手动将某些页面移动到 XHTML 的工具。
我需要将 HTML 文档转换为有效的 XML,最好是 XHTML。有什么最好的方法可以做到这一点吗?是否有任何工具包/库/示例等,可以帮助我完成这项任务?
更明确一些,我的应用程序必须在运行时自动进行转换。我不是在寻找一个手动将某些页面移动到 XHTML 的工具。
JRoppert,根据您的需求,我猜您可能需要看一下源代码
c:\temp>tidy -help
tidy [option...] [file...] [option...] [file...]
Utility to clean up and pretty print HTML/XHTML/XML
see http://tidy.sourceforge.net/
Options for HTML Tidy for Windows released on 14 February 2006:
File manipulation
-----------------
-output <file>, -o write output to the specified <file>
<file>
-config <file> set configuration options from the specified <file>
-file <file>, -f write errors to the specified <file>
<file>
-modify, -m modify the original input files
Processing directives
---------------------
-indent, -i indent element content
-wrap <column>, -w wrap text at the specified <column>. 0 is assumed if
<column> <column> is missing. When this option is omitted, the
default of the configuration option "wrap" applies.
-upper, -u force tags to upper case
-clean, -c replace FONT, NOBR and CENTER tags by CSS
-bare, -b strip out smart quotes and em dashes, etc.
-numeric, -n output numeric rather than named entities
-errors, -e only show errors
-quiet, -q suppress nonessential output
-omit omit optional end tags
-xml specify the input is well formed XML
-asxml, -asxhtml convert HTML to well formed XHTML
-ashtml force XHTML to well formed HTML
-access <level> do additional accessibility checks (<level> = 0, 1, 2, 3).
0 is assumed if <level> is missing.
Character encodings
-------------------
-raw output values above 127 without conversion to entities
-ascii use ISO-8859-1 for input, US-ASCII for output
-latin0 use ISO-8859-15 for input, US-ASCII for output
-latin1 use ISO-8859-1 for both input and output
-iso2022 use ISO-2022 for both input and output
-utf8 use UTF-8 for both input and output
-mac use MacRoman for input, US-ASCII for output
-win1252 use Windows-1252 for input, US-ASCII for output
-ibm858 use IBM-858 (CP850+Euro) for input, US-ASCII for output
-utf16le use UTF-16LE for both input and output
-utf16be use UTF-16BE for both input and output
-utf16 use UTF-16 for both input and output
-big5 use Big5 for both input and output
-shiftjis use Shift_JIS for both input and output
-language <lang> set the two-letter language code <lang> (for future use)
Miscellaneous
-------------
-version, -v show the version of Tidy
-help, -h, -? list the command line options
-xml-help list the command line options in XML format
-help-config list all configuration options
-xml-config list all configuration options in XML format
-show-config list the current configuration settings
Use --blah blarg for any configuration option "blah" with argument "blarg"
Input/Output default to stdin/stdout respectively
Single letter options apart from -f may be combined
as in: tidy -f errs.txt -imu foo.html
For further info on HTML see http://www.w3.org/MarkUp
var xhtml = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToEnd();
内存中字符串到XDocument的转换:
var xdoc = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToXDocument();
请查看http://corsis.sourceforge.net/index.php/Html2Xhtml获取更多相关信息。
http://corsis.sourceforge.net/index.php/Html2Xhtml是一个.NET 4.0库,用于将HTML转换为XHTML,根据GPLv2或更高版本许可。
我在欧盟大型在线数据库的本地重建中测试了Html2Xhtml。Tidy/Tidy.NET大多数情况下甚至无法产生有效的输出,Chilkat的HTML-to-XML速度有点慢,并且产生了奇怪的结果(错位、缺失、无法解释的元素)。为了找到一个免费、快速和可靠的转换工具,我创建了这个库。它比我测试过的所有其他库都要快2-4倍。
Html2Xhtml与LINQ to XML的强大结合,是所有大规模数据提取和网络爬虫方案的优秀工具。
您可以使用Tidy可执行文件将HTML转换为XHTML:
tidy -asxhtml -numeric < index.html > index.xhml
您可以在此处检查C#实现:http://www.dotnetobject.com/Thread-Html-to-Xhtml-conversion-in-c。
最简单的方法是设置您的Visual Studio IDE以识别您需要进行的更改。 您可以在Visual Studio 2008中执行此操作,方法如下: 工具,选项,文本编辑器,HTML,验证,然后选择适当的目标。 可能是XHTML 1.1或XHTML 1.0 Transitional。
有关不同类型的一些信息,请阅读: http://msdn.microsoft.com/en-us/library/aa479043.aspx
然后您需要处理页面上突出显示的要点。