将HTML转成XHTML并清除一些无用的标签和属性（html会被xhtml取代吗）

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、、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、
和

HtmlReader

HtmlReader很简单，下面是完整的类：

////// 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：

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

////// 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   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( "'", "'" );

    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

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

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://codeproject.com/Articles/10792/Convert-HTML-to-XHTML-and-Clean-Unnecessary-Tags-a

版权声明：本文内容由网络用户投稿，版权归原作者所有，本站不拥有其著作权，亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容，请联系我们jiasou666@gmail.com 处理，核实后本网站将在24小时内删除侵权内容。