查找没有引号的html属性，并将它们添加回

Question

我有一个项目，我要把内容从CMS输出到XML中。我没有完全控制CMS的内容，我们现在有一个问题，就是某些内容不完全符合XML

    <Block PageGuid="xxx" PageId="1234" PageType="block" PageName="blockpage" PageUrl="/en/New-Folder7/New-Folder8/" CreateBlock="false">
  <Properties>
    <Property PropertyName="EmbedCode" Ignore="false" DefaultLanguageChanged="true" TranslatedChanged="true">
      <DefaultLanguage><DIV id=TA_sss class=TA_sss><UL id=sdfsdfsdfsdf class="TA_links xx"><LI id=sdfsdfsf class=sdfsfsf><A href="http://www.tripadvisor.co.uk/">xxxxxxxxx</A></LI></UL></DIV><SCRIPT src="http://www.jscache.com/"></SCRIPT></DefaultLanguage>
      <Translation><DIV id=TA_sss class=TA_sss><UL id=xxxx class='TA_links xxx'><LI id=xxxx class=xxxx><A href='http://www.tripadvisor.co.uk/'>xxxxxxxxx</A></LI></UL></DIV><SCRIPT src='http://www.jscache.com/'></SCRIPT></Translation>
      <PreviousValues>
        <PreviousDefaultText></PreviousDefaultText>
        <PreviousTranslationText></PreviousTranslationText>
      </PreviousValues>
    </Property>
  </Properties>
</Block>

参见上面的XML..。我需要找到任何情况下，我有一个属性与一个缺失的引号，并添加了in：

即

​

如果它们是单引号，则用双引号替换。

即

http://www.tripadvisor.co.uk/'>

我把整个XML都放在一个字符串中，所以我希望有一个Regex可以用来完成这个任务？

我的解决方案：

            var reader = new StringReader(xml);
        var sgmlReader = new Sgml.SgmlReader
                             {
                                 DocType = "HTML",
                                 WhitespaceHandling = WhitespaceHandling.All,
                                 CaseFolding = Sgml.CaseFolding.ToLower,
                                 InputStream = reader
                             };
        var doc = new XmlDocument { PreserveWhitespace = true, XmlResolver = null };
        doc.Load(sgmlReader);

Answer 1

我过去曾使用https://github.com/MindTouch/SGMLReader来解决类似的问题。很有魅力(YMMV)。

Answer 2

你可以试试Html敏捷包。引用你可能感兴趣的部分：

'The parser is very tolerant with "real world" malformed HTML'

和

'Sample applications: Page fixing or generation'

那你就去吧。加载XML，生成一个“适当的”呈现，然后传递它。