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