将HTML转成XHTML并清除一些无用的标签和属性

介绍

　　这是一个能帮你从HTML生成有效XHTML的经典库。它还提供对标签以及属性过滤的支持。你可以指定允许哪些标签和属性可在出现在输出中，而其他的标签过滤掉。你也可以使用这个库清理Microsoft Word文档转化成HTML时生成的臃肿的HTML。你也在将HTML发布到博客网站前清理一下，否则像WordPress、b2evolution等博客引擎会拒绝的。

　它是如何工作的

　　里面有两个类：HtmlReader和HtmlWriter

　　HtmlReader拓展了著名的由Chris Clovett开发的SgmlReader。当它读取HTML时，它跳过所有有前缀的节点。其中，所有像<o:p>、<o:Document>、<st1:personname>等上百的无用标签被滤除了。这样你读取的HTML就剩下核心的HTML标签了。

　　HtmlWriter拓展了常规的XmlWriter，XmlWriter生成XML。XHTML本质上是XML格式的HTML。所有你熟悉使用的标签——比如<img>、<br>和<hr>，都不是闭合的标签——在XHTML中必需是空元素形式，像<img .. />、<br/>和<hr/>。由于XHTML是常见的XML格式，你可以方便的使用XML解析器读取XHTML文档。这使得有了应用XPath搜索的机会。

　HtmlReader

　　HtmlReader很简单，下面是完整的类：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34

// This class skips all nodes which has some /// kind of prefix. This trick does the job  /// to clean up MS Word/Outlook HTML markups. ///public class HtmlReader : Sgml.SgmlReader {      public  HtmlReader( TextReader reader ) : base( )      {          base.InputStream = reader;          base.DocType =  "HTML" ;      }      public  HtmlReader( string content ) : base( )      {          base.InputStream =  new  StringReader( content );          base.DocType =  "HTML" ;      }      public  override bool Read()      {          bool status = base.Read();          if ( status )          {              if ( base.NodeType == XmlNodeType.Element )              {                  // Got a node with prefix. This must be one                  // of those "" or something else.                  // Skip this node entirely. We want prefix                  // less nodes so that the resultant XML                   // requires not namespace.                  if ( base.Name.IndexOf( ':' ) >  0  )                      base.Skip();              }          }          return  status;      } }

　HtmlWriter

　　这个类是有点麻烦。下面是使用技巧：

• 重写WriteString方法并避免使用常规的XML编码。对HTML文件手动更改编码。

• 重写WriteStartElementis以避免不被允许的标签写到输出中。 

• 重写WriteAttributesis以避免不需求的属性。

　　让我们分部分来看下整个类：

　　可配置性

　　你可以通过修改下面的部分配置HtmlWriter：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28

public  class  HtmlWriter : XmlTextWriter {      // If set to true, it will filter the output      /// by using tag and attribute filtering,      /// space reduce etc      ///public bool FilterOutput = false;      // If true, it will reduce consecutive   with one instance      ///public bool ReduceConsecutiveSpace = true;      // Set the tag names in lower case which are allowed to go to output      ///public string [] AllowedTags =           new  string[] {  "p" ,  "b" ,  "i" ,  "u" ,  "em" ,  "big" ,  "small" ,           "div" ,  "img" ,  "span" ,  "blockquote" ,  "code" ,  "pre" ,  "br" ,  "hr" ,           "ul" ,  "ol" ,  "li" ,  "del" ,  "ins" ,  "strong" ,  "a" ,  "font" ,  "dd" ,  "dt" };      // If any tag found which is not allowed, it is replaced by this tag.      /// Specify a tag which has least impact on output      ///public string ReplacementTag = "dd";      // New lines \r\n are replaced with space       /// which saves space and makes the      /// output compact      ///public bool RemoveNewlines = true;      // Specify which attributes are allowed.       /// Any other attribute will be discarded      ///public string [] AllowedAttributes = new string[]       {           "class" ,  "href" ,  "target" ,  "border" ,  "src" ,           "align" ,  "width" ,  "height" ,  "color" ,  "size"       }; }

　　WriteString方法

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

// The reason why we are overriding /// this method is, we do not want the output to be /// encoded for texts inside attribute /// and inside node elements. For example, all the   /// gets converted to &nbsp in output. But this does not  /// apply to HTML. In HTML, we need to have   as it is. //public override void WriteString(string text) {      // Change all non-breaking space to normal space      text = text.Replace(  " " ,  " "  );      /// When you are reading RSS feed and writing Html,       /// this line helps remove those CDATA tags      text = text.Replace( "" ,  "" );        // Do some encoding of our own because      // we are going to use WriteRaw which won't      // do any of the necessary encoding      text = text.Replace(  "<" ,  "<"  );      text = text.Replace(  ">" ,  ">"  );      text = text.Replace(  "'" ,  "&apos;"  );      text = text.Replace(  "\"" ,  "" e;" );        if (  this .FilterOutput )      {          text = text.Trim();            // We want to replace consecutive spaces          // to one space in order to save horizontal width          if (  this .ReduceConsecutiveSpace )               text = text.Replace( "   " ,  " " );          if (  this .RemoveNewlines )               text = text.Replace(Environment.NewLine,  " " );            base.WriteRaw( text );      }      else      {          base.WriteRaw( text );      } }

　　WriteStartElement: 应用标签过滤

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

public  override  void  WriteStartElement(string prefix,       string localName, string ns) {      if (  this .FilterOutput )       {          bool canWrite =  false ;          string tagLocalName = localName.ToLower();          foreach( string name in  this .AllowedTags )          {              if ( name == tagLocalName )              {                  canWrite =  true ;                  break ;              }          }          if ( !canWrite )           localName =  "dd" ;      }      base.WriteStartElement(prefix, localName, ns); }

　　WriteAttributes方法: 应用属性过滤

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24

bool canWrite =  false ; string attributeLocalName = reader.LocalName.ToLower(); foreach( string name in  this .AllowedAttributes ) {      if ( name == attributeLocalName )      {          canWrite =  true ;          break ;      } } // If allowed, write the attribute if ( canWrite )       this .WriteStartAttribute(reader.Prefix,       attributeLocalName, reader.NamespaceURI); while  (reader.ReadAttributeValue()) {      if  (reader.NodeType == XmlNodeType.EntityReference)      {          if ( canWrite )  this .WriteEntityRef(reader.Name);          continue ;      }      if ( canWrite ) this .WriteString(reader.Value); } if ( canWrite )  this .WriteEndAttribute();

　结论

　　示例应用是一个你可以立即用来清理HTML文件的实用工具。你可以将这个类应用在像博客等需要发布一些HTML到Web服务的工具中。

　　原文地址：http://www.codeproject.com/Articles/10792/Convert-HTML-to-XHTML-and-Clean-Unnecessary-Tags-a

转载于:https://www.cnblogs.com/ranzige/p/4365579.html