彻底修正不规范的HTML，避免引起页面布局错乱

(最后修补日期：2009.9.7)

我在以前的一篇随笔“对于用户上传不规划Html而导致页面布局错乱的一简单解决方法”介绍了使用正则解决页面布局错乱的方法，那种方法只能解决部分情况，对于一些比较特殊的Html代码就无能为力了，一直想完善这个解决方法的，今天下定决心重新思考了解决方法。

Html错乱无非是标签不完整导制的，在实际程序中往往是用户直接把其它网页的内容粘贴到在线编辑器、或直接手动改写Html代码引起的，当然不乏有人恶意破坏，所以这次我使用类似语法分析的方式来修正不规范的HTML代码，不多说了，看代码吧：

代码：　　(V0.2_09.9.7)

    public static class FormatHelper
    {　　　

public static string RepairHTML(string htmlStr)
        {
            StringBuilder sbReturn = new StringBuilder();
            int subStart = 0;

            string tagName = string.Empty;

            bool isRunning = false;
            bool isSearchEndTag = false;

            int subElementCount = 0;

            StringBuilder tag = new StringBuilder();

            for (int i = 0; i < htmlStr.Length; i++)
            {
                if (isRunning || htmlStr[i].Equals('<'))
                {
                    if (!isRunning)
                    {
                        isRunning = true;
                        continue;
                    }

                    if (!string.IsNullOrEmpty(tagName))
                    {
                        if (isSearchEndTag && !htmlStr[i].Equals('>'))
                        {
                            tag.Append(htmlStr[i]);
                            continue;
                        }

                        if (!isSearchEndTag && htmlStr[i].Equals('<'))
                        {
                            isSearchEndTag = true;
                            continue;
                        }

                        if (_getTagName(tag) == tagName)
                        { //内部包含子元素
                            subElementCount++;
                        }

                        if (tag.ToString().StartsWith("/") && tagName == _getEndTagName(tag))
                        {
                            subElementCount--;
                            if (subElementCount >= 0) continue;//

                            string innerHtml = htmlStr.Substring(subStart, i - (tag.Length + 1) - subStart);
                            if (!string.IsNullOrEmpty(innerHtml))
                                sbReturn.Append(FormatHelper.RepairHTML(innerHtml));

                            sbReturn.Append("<" + tag.ToString() + ">");
                            tagName = string.Empty;
                            isRunning = false;
                        }

                        tag = new StringBuilder();
                        isSearchEndTag = false;
                        continue;
                    }

                    if (!htmlStr[i].Equals('>'))
                    {
                        tag.Append(htmlStr[i]);
                        continue;
                    }

                    if (string.IsNullOrEmpty(tagName))
                    {
                        subStart = i + 1;

                        tagName = _getTagName(tag);
                        if (tagName.StartsWith("/"))
                        {
                            //去掉只有结束标记的标签
                            tagName = string.Empty;
                            isRunning = false;
                            continue;
                        }
                        else if (noEndTags.Contains(tagName.TrimStart('/')))
                        {
                            //处理自闭合标签
                            sbReturn.Append("<" + tag.ToString().TrimEnd('/') + "/>");
                            tagName = string.Empty;
                            isRunning = false;
                            continue;
                        }
                        else
                        {
                            sbReturn.Append("<" + tag.ToString() + ">");
                        }

                        tag = new StringBuilder();
                    }

                }
                else
                    sbReturn.Append(htmlStr[i]);
            }


            if (!string.IsNullOrEmpty(tagName))
            {
                //到文本结尾还查不到结束标签时自动补上
                sbReturn.Append(FormatHelper.RepairHTML(htmlStr.Substring(subStart)));
                sbReturn.Append("</" + tagName + ">");
            }

            return sbReturn.ToString();
        }
        /// <summary>
        /// (内部方法)获取开始标签的tagName
        /// </summary>
        /// <param name="tag"></param>
        /// <returns>返回tagName的大写形式</returns>
        private static string _getTagName(StringBuilder tag)
        {
            return tag.ToString().Split(' ')[0].TrimEnd('/').ToUpper();
        }
        /// <summary>
        /// (内部方法)获取结束标签的tagName
        /// </summary>
        /// <param name="tag"></param>
        /// <returns>返回tagName的大写形式</returns>
        private static string _getEndTagName(StringBuilder tag)
        {
            return tag.ToString().Split(' ')[0].TrimStart('/').ToUpper();
        }
        
    }

使用示例：

string badHtml = "<div><p>hi</p></div><div><p>这是测试<table><tr><td>这里少了<p>table/tr/td</p>的结束标签<hr>少了div的结束标签";
string repairedHtml = FormatHelper.RepairHTML(badHtml);

得到的repairedHtml 结果为：

<div><p>hi</p></div><div><p>这是测试<table><tr><td>这里少了<p>table/tr/td</P></TD></TR></TABLE></p><hr/>少了div的结束标签</DIV>

性能分析:

RepairHTML函数采用递归的方式对输入的字串进行分析，递归的次数取决于输入字串中含有的Html标签数（包括自定义的标签，如：<mytag></mytag>），循环的次数最大为=1+2+3+…+n  (假设输入字串的长度为n) ，即：n(n-1)/2  ，所以时间复杂度可认为是：O(n^2)

 

注：我只是做了些简单的测试，尚未发现bug，但不表示程序一定能正确运行，如你发现问题请告诉我，我也会不断完善这个小功能的。

（转载、使用请注明作者XiaoG、原文链接:http://www.cnblogs.com/XiaoG/archive/2009/08/26/1554448.html）