Convertire> HTML entità equivalente stringa HTML

Question

Sto cercando di convertire tutte le istanze del> carattere per la sua entità HTML equivalente,>, all'interno di una stringa di codice HTML che contiene i tag HTML. La più lontana Sono stato in grado di ottenere con una soluzione per questo sta usando un'espressione regolare.

Ecco quello che ho finora:

        public static readonly Regex HtmlAngleBracketNotPartOfTag = new Regex("(?:<[^>]*(?:>|$))(>)", RegexOptions.Compiled | RegexOptions.Singleline);

Il problema principale che sto avendo è isolare i singoli> caratteri che non fanno parte di un tag HTML. Non voglio convertire eventuali tag esistenti, perché ho bisogno di conservare il codice HTML per il rendering. Se non convertire i> personaggi, ottengo HTML malformato, che causa problemi di rendering nel browser.

Questo è un esempio di una stringa di prova per analizzare:

"Ok, now I've got the correct setting.<br/><br/>On 12/22/2008 3:45 PM, jproot@somedomain.com wrote:<br/><div class"quotedReply">> Ok, got it, hope the angle bracket quotes are there.<br/>><br/>> On 12/22/2008 3:45 PM, > sbartfast@somedomain.com wrote:<br/>>> Please someone, reply to this.<br/>>><br/>><br/></div>"

Nella stringa di cui sopra, nessuno dei> caratteri che fanno parte di tag HTML deve essere convertito in>. Quindi, in questo modo:

<div class"quotedReply">>

dovrebbe diventare questa:

<div class"quotedReply">&gt;

Un altro problema è che l'espressione utilizza un gruppo non-cattura, che va bene, tranne per il fatto che la partita è in gruppo 1. Io non sono del tutto sicuro di come fare di sopra di un solo sostituire il gruppo 1 e preservare la resto della partita. Sembra che un MatchEvaluator in realtà non fare il trucco, o forse non riesco proprio a immaginare in questo momento.

Ho il sospetto che il mio regex potrebbe fare con un po 'lovin'.

Qualcuno ha qualche idea brillante?

Answer 1

Il trucco è quello di catturare tutto ciò che non il bersaglio, poi ricollegarlo insieme al testo modificato, in questo modo:

Regex.Replace(str, @"\G((?>[^<>]+|<[^>]*>)*)>", "$1&gt;");

Ma Anthony destra: le staffe ad angolo retto in nodi di testo non dovrebbe causare problemi. E la congruenza HTML con regex è difficile; per esempio, commenti e CDATA possono contenere praticamente qualsiasi cosa, quindi una regex robusto avrebbe dovuto corrispondere loro in particolare.

Answer 2

Perché vuoi fare questo? Che male sono i> facendo? La maggior parte dei parser che ho incontrato sono abbastanza felice con un> da solo senza bisogno di essere sfuggito a un soggetto.

Inoltre, sarebbe più appropriato per codificare correttamente le stringhe di contenuto con HtmlUtilty.HtmlEncode prima di concatenare con le stringhe contenenti codice HTML, quindi se questo è sotto il vostro controllo si dovrebbe considerare che fare con esso là.

Answer 3

Forse leggere il codice HTML in un parser XML che dovrebbe prendersi cura delle conversioni per voi.

Answer 4

Stai parlando i> caratteri all'interno di un tag HTML, (come in innerText di Java), o nella lista arguements di un tag HTML?

Se si vuole solo disinfettare il testo tra il tag di apertura e chiusura, che dovrebbe essere piuttosto semplice. Basta individuare qualsiasi> char, e sostituirlo con il >. (Mi piacerebbe anche farlo con il < tag), ma il motore di rendering HTML dovrebbe prendersi cura di questo per voi ...

Dare un esempio di ciò che si sta cercando di disinfettare, e forse abbiamo un trovare la migliore soluzione per esso.

Larry

Answer 5

Potrebbe leggere la stringa in un documento XML e guardare i valori e sostituire il > con > nei valori. Ciò richiederebbe ricorsivamente andare in ogni nodo nel documento ma che non dovrebbe essere troppo difficile da fare.

Answer 6

Steve_C, si può provare questo RegEx. Questo darà la cattura qualsiasi tag HTML in riferimento 1, e il testo tra i tag è memorizzato nella cattura 2. Non ho prove pienamente questo, basta buttare là fuori nel caso in cui potrebbe essere utile.

<([A-Z][A-Z0-9]*)[^>]*>(.*?)</\1>