我需要将 HTML 文档转换为有效的 XML，最好是 XHTML。最好的方法是什么？有没有人知道工具包/库/示例/......任何可以帮助我完成任务的东西？
在这里更清楚一点，我的应用程序必须在运行时自动进行转换。我不寻找可以帮助我手动将某些页面移动到 XHTML 的工具。
JRoppert
问问题
25002 次
7 回答
24
JRoppert，为了您的需要，我想您可能想查看Sources
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
于 2008-09-26T10:02:32.803 回答
6
您可以使用HTML Agility Pack。它来自 CodePlex 的开源项目。
于 2008-09-26T10:16:38.883 回答
4
Validator.nu HTML Parser附带一个 HTML2XML 示例程序，该程序使用 HTML5 解析算法和信息集强制规则进行转换。
于 2008-09-30T11:40:04.973 回答
4
为 .NET 4.0 使用 Html2Xhtml：
内存中字符串到字符串的转换：
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();
有关详细信息，请参阅http://corsis.sourceforge.net/index.php/Html2Xhtml。
于 2010-03-21T00:12:05.200 回答
2
http://corsis.sourceforge.net/index.php/Html2Xhtml http://corsis.sourceforge.net/index.php/Html2Xhtml
Html2Xhtml 是一个 .NET 4.0 库，用于将 HTML 转换为在 GPLv2 或更高版本下许可的 XHTML。
我在欧盟的一个大型在线数据库本地重构中测试了Html2Xhtml。Tidy/Tidy.NET 在大多数情况下甚至都不会产生有效的输出，Chilkat 的 HTML 到 XML 有点慢并且产生了奇怪的结果（错位、丢失、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。它的转换速度比我测试的所有其他库快 2 到 4 倍。
Html2Xhtml 结合 LINQ to XML 的强大功能，是所有大规模数据提取和网络爬取场景的优秀工具。
于 2011-06-04T13:27:40.770 回答
2
于 2012-11-22T16:13:04.297 回答
0
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，方法是转到：工具、选项、文本编辑器、HTML、验证并选择适当的目标。可能是 XHTML 1.1 或 XHTML 1.0 过渡。
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点。
于 2008-09-26T10:06:20.923 回答