提问人：steve_c 提问时间：12/24/2008 最后编辑：steve_c 更新时间：2/28/2009 访问量：2246
将 > 转换为 HTML 字符串中等效的 HTML 实体
Convert > to HTML entity equivalent within HTML string
问：
我正在尝试将>字符的所有实例转换为其 HTML 实体等效项，>，在包含 HTML 标签的 HTML 字符串中。我所能得到的最远的解决方案是使用正则表达式。
这是我到目前为止所拥有的：
public static readonly Regex HtmlAngleBracketNotPartOfTag = new Regex("(?:<[^>]*(?:>|$))(>)", RegexOptions.Compiled | RegexOptions.Singleline);
我遇到的主要问题是隔离不属于 HTML 标签的单个>字符。我不想转换任何现有的标签，因为我需要保留 HTML 进行渲染。如果我不转换>字符，我会得到格式错误的 HTML，这会导致浏览器出现渲染问题。
下面是要分析的测试字符串的示例：
"Ok, now I've got the correct setting.<br/><br/>On 12/22/2008 3:45 PM, [email protected] wrote:<br/><div class"quotedReply">> Ok, got it, hope the angle bracket quotes are there.<br/>><br/>> On 12/22/2008 3:45 PM, > [email protected] wrote:<br/>>> Please someone, reply to this.<br/>>><br/>><br/></div>"
在上面的字符串中，作为 HTML 标记一部分的>字符都不应转换为>。所以，这个：
<div class"quotedReply">>
应该变成这样：
<div class"quotedReply">>
另一个问题是上面的表达式使用了一个非捕获组，除了匹配项在组 1 中这一事实之外，这很好。我不太确定如何只在第 1 组进行替换并保留比赛的其余部分。看来 MatchEvaluator 并没有真正发挥作用，或者我现在无法想象它。
我怀疑我的正则表达式可以做一些爱。
有人有什么好主意吗？
答：
1赞
Jeff.Crossett
12/24/2008
#1
也许将您的 HTML 读入 XML 解析器，它应该为您处理转换。
评论
0赞
LarryF
12/24/2008
我不确定这是否是做他想做的事情的正确方法。
0赞
LarryF
12/24/2008
#2
您是在谈论 HTML 标签内的>字符（如在 Java 的 innerText 中），还是在 HTML 标签的参数列表中？
如果您只想清理开始和结束标记之间的文本，那应该相当简单。只需找到任何>字符，并将其替换为 > ;。（我也会用 < 标签来做），但 HTML 渲染引擎应该为您解决这个问题......
举个例子说明您要消毒的内容，也许我们会找到最佳解决方案。
拉里
评论
0赞
steve_c
12/24/2008
我说的是不属于 HTML 标签的字符，包括组成标签的字符。
0赞
JB King
12/24/2008
#3
您能否将字符串读入 XML 文档并查看值并将值替换为。这需要递归地进入文档中的每个节点，但这应该不会太难做到。>>
评论
0赞
steve_c
12/24/2008
我使用 HTML 解析器想到了这一点。我遇到的问题是，并非所有内容都在节点内，因此它丢弃了所有不在节点之间的文本。
0赞
JB King
12/24/2008
不属于 HTML 标记且不在节点内的>在哪里？
0赞
LarryF
12/24/2008
#4
Steve_C，您可以尝试此正则表达式。这将为捕获引用 1 中的任何 HTML 标记提供，并且标记之间的文本存储在捕获 2 中。我没有完全测试它，只是把它扔在那里，以防万一它可能会有所帮助。
<([A-Z][A-Z0-9]*)[^>]*>(.*?)</\1>
4赞
AnthonyWJones
12/24/2008
#5
你为什么要这样做？>有什么危害？我遇到的大多数解析器都对>本身非常满意，而不需要将其转义到实体。
此外，在将内容字符串与包含 HTML 标记的字符串连接起来之前，使用 HtmlUtilty.HtmlEncode 对内容字符串进行正确编码会更合适，因此，如果这在您的控制之下，您应该考虑在那里处理它。
评论
0赞
steve_c
12/24/2008
如果我保持 HTML 原样，它将在 Firefox 中呈现错误。
0赞
bobince
2/28/2009
+1.通常，>不会在格式正确的 HTML 中导致问题。唯一麻烦的情况是字符串“]]>”不允许出现在 X[HT]ML 的文本内容中。如果您遇到错误，请发布示例代码及其给出的错误。正则表达式根本无法解析 [X][HT]ML。
3赞
Alan Moore
12/24/2008
#6
诀窍是捕获所有不是目标的内容，然后将其与更改后的文本一起重新插入，如下所示：
Regex.Replace(str, @"\G((?>[^<>]+|<[^>]*>)*)>", "$1>");
但 Anthony 说得对：文本节点中的直角括号应该不会引起任何问题。将 HTML 与正则表达式匹配是很棘手的;例如，注释和 CDATA 几乎可以包含任何内容，因此健壮的正则表达式必须专门匹配它们。
评论
0赞
steve_c
12/24/2008
这成功了。只是为它编写了一些测试用例，但到目前为止一切看起来都不错。
上一个：从网页中提取含义的完整内容
下一个：IE中的HTML解析器问题
评论