¿Cómo convertir HTML a XHTML? [cerrado]

Question

Necesito convertir documentos HTML en XML válido, preferiblemente XHTML. ¿Cuál es la mejor manera de hacer esto? ¿Alguien conoce un kit de herramientas / biblioteca / muestra / ... lo que sea que me ayude a hacer esa tarea?

Para ser un poco más claro aquí, mi aplicación tiene que hacer la conversión automáticamente en tiempo de ejecución. No busco una herramienta que me ayude a mover algunas páginas a XHTML manualmente.

Answer 1

Convertir de HTML a XML con HTML Tidy

Binarios descargables

JRoppert, para su necesidad, supongo que es posible que desee ver las Fuentes

c:\temp>tidy -help
tidy [option...] [file...] [option...] [file...]
Utility to clean up and pretty print HTML/XHTML/XML
see http://tidy.sourceforge.net/

Options for HTML Tidy for Windows released on 14 February 2006:

File manipulation
-----------------
 -output <file>, -o  write output to the specified <file>
 <file>
 -config <file>      set configuration options from the specified <file>
 -file <file>, -f    write errors to the specified <file>
 <file>
 -modify, -m         modify the original input files

Processing directives
---------------------
 -indent, -i         indent element content
 -wrap <column>, -w  wrap text at the specified <column>. 0 is assumed if
 <column>            <column> is missing. When this option is omitted, the
                     default of the configuration option "wrap" applies.
 -upper, -u          force tags to upper case
 -clean, -c          replace FONT, NOBR and CENTER tags by CSS
 -bare, -b           strip out smart quotes and em dashes, etc.
 -numeric, -n        output numeric rather than named entities
 -errors, -e         only show errors
 -quiet, -q          suppress nonessential output
 -omit               omit optional end tags
 -xml                specify the input is well formed XML
 -asxml, -asxhtml    convert HTML to well formed XHTML
 -ashtml             force XHTML to well formed HTML
 -access <level>     do additional accessibility checks (<level> = 0, 1, 2, 3).
                     0 is assumed if <level> is missing.

Character encodings
-------------------
 -raw                output values above 127 without conversion to entities
 -ascii              use ISO-8859-1 for input, US-ASCII for output
 -latin0             use ISO-8859-15 for input, US-ASCII for output
 -latin1             use ISO-8859-1 for both input and output
 -iso2022            use ISO-2022 for both input and output
 -utf8               use UTF-8 for both input and output
 -mac                use MacRoman for input, US-ASCII for output
 -win1252            use Windows-1252 for input, US-ASCII for output
 -ibm858             use IBM-858 (CP850+Euro) for input, US-ASCII for output
 -utf16le            use UTF-16LE for both input and output
 -utf16be            use UTF-16BE for both input and output
 -utf16              use UTF-16 for both input and output
 -big5               use Big5 for both input and output
 -shiftjis           use Shift_JIS for both input and output
 -language <lang>    set the two-letter language code <lang> (for future use)

Miscellaneous
-------------
 -version, -v        show the version of Tidy
 -help, -h, -?       list the command line options
 -xml-help           list the command line options in XML format
 -help-config        list all configuration options
 -xml-config         list all configuration options in XML format
 -show-config        list the current configuration settings

Use --blah blarg for any configuration option "blah" with argument "blarg"

Input/Output default to stdin/stdout respectively
Single letter options apart from -f may be combined
as in:  tidy -f errs.txt -imu foo.html
For further info on HTML see http://www.w3.org/MarkUp

Answer 2

Puede usar un Paquete de agilidad HTML . Su proyecto de código abierto de CodePlex.

Answer 3

El Validator.nu HTML Parser viene con un programa de ejemplo HTML2XML que realiza la conversión utilizando el Algoritmo de análisis HTML5 y reglas de coerción de infoset.

Answer 4

Use Html2Xhtml para .NET 4.0:

Conversión de cadena a cadena en memoria:

var xhtml = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToEnd();

Conversión de cadena a XDocument en memoria:

var xdoc = Html2Xhtml.RunAsFilter(stdin => stdin.Write(html)).ReadToXDocument();

Ver http://corsis.sourceforge.net/index.php/Html2Xhtml para más información.

Answer 5

http://corsis.sourceforge.net/index.php/Html2Xhtml http : //corsis.sourceforge.net/index.php/Html2Xhtml

Html2Xhtml es una biblioteca .NET 4.0 para convertir HTML a XHTML con licencia bajo GPLv2 o superior.

Probé Html2Xhtml en la reconstrucción local de una gran base de datos en línea de la Unión Europea. Tidy / Tidy.NET ni siquiera produciría una salida válida la mayor parte del tiempo, el HTML a XML de Chilkat fue un poco lento y produjo resultados extraños (elementos extraviados, faltantes e inexplicables). En un intento por encontrar una herramienta de conversión gratuita, rápida y confiable, creé esta biblioteca. Convierte 2 - 4 veces más rápido que todas las otras bibliotecas que probé.

Html2Xhtml, combinado con el poder de LINQ to XML, es una herramienta excelente para todos los escenarios de extracción de datos a gran escala y rastreo web.

Answer 6

puede convertir html a xhtml con el archivo ejecutable ordenado:

tidy -asxhtml -numeric < index.html > index.xhml

puede verificar la implementación de c # aquí .

Answer 7

La forma más fácil es configurar su IDE de Visual Studio para identificar los cambios que necesita hacer. Puede hacer esto en Visual Studio 2008 yendo a: Herramientas, Opciones, Editor de texto, HTML, Validación y elección del objetivo apropiado. Posiblemente XHTML 1.1 o XHTML 1.0 Transitional.

Para obtener información sobre los diferentes tipos, lea: http://msdn.microsoft.com/en-us/library/aa479043. aspx

Entonces necesita trabajar a través de los puntos resaltados en su página.