Jak przekonwertować HTML na XHTML?

Question

Potrzebuję przekonwertować dokumenty HTML na poprawny XML, najlepiej XHTML. Jaki jest najlepszy sposób na zrobienie tego? Czy ktokolwiek zna zestaw narzędzi/bibliotekę/próbkę/... cokolwiek, co pomaga mi wykonać to zadanie?

Aby być nieco bardziej przejrzystym, moja aplikacja musi wykonać konwersję automatycznie w czasie wykonywania. Nie szukam narzędzia, które pomoże mi ręcznie przenieść niektóre strony do XHTML.

Answer 1

Convert from HTML to XML with HTML Tidy

Downloadable Binaries

JRoppert, do potrzeb użytkownika, myślę, warto spojrzeć na Sources

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

Najprostszym sposobem jest ustawienie w Visual Studio IDE w celu identyfikacji zmiany, które musisz wprowadzić. Możesz to zrobić w Visual Studio 2008, przechodząc do: Narzędzia, opcje, edytor tekstu, HTML, sprawdzanie poprawności i wybór odpowiedniego celu. Prawdopodobnie XHTML 1.1 lub XHTML 1.0 Transitional.

Dla niektórych informacji na temat różnych typów, czytany: http://msdn.microsoft.com/en-us/library/aa479043.aspx

Następnie trzeba pracować przez punkty wyróżnionych na stronie.

Answer 3

Można użyć HTML Agility Pack. Jego projekt open source z CodePlex.

Answer 4

Wersja jest dostarczana z programem przykładowym HTML2XML, który przeprowadza konwersję przy użyciu algorytmu analizy parsowania HTML5 i reguł wymuszania informacji.

Answer 5

Zastosowanie Html2Xhtml dla .NET 4.0:

w pamięci ciąg do łańcucha konwersji:

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

w pamięci ciąg do XDocument konwersja:

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

See http://corsis.sourceforge.net/index.php/Html2Xhtml, aby uzyskać więcej informacji.

Answer 6

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

Html2Xhtml jest .NET 4.0 biblioteki do konwersji HTML do XHTML licencją GPLv2 lub powyżej.

Przetestowałem Html2Xhtml w lokalnej przebudowie dużej internetowej bazy danych Unii Europejskiej. Tidy/Tidy.NET nie generowałaby nawet prawidłowego wyniku, Chilkat HTML-to-XML był nieco powolny i dawał dziwne wyniki (niewłaściwie umieszczone, brakujące, niewytłumaczalne elementy). Próbując znaleźć darmowe, szybkie i niezawodne narzędzie do konwersji, stworzyłem tę bibliotekę. Konwertuje 2 - 4 razy szybciej niż wszystkie inne testowane przeze mnie biblioteki.

Html2Xhtml, w połączeniu z mocą LINQ do XML, jest doskonałym narzędziem do wszystkich wielkoskalowych operacji pobierania danych i indeksowania stron internetowych.

Answer 7

można przekonwertować HTML do XHTML z schludny pliku wykonywalnego:

schludny -asxhtml -numeric < indeksu.html> index.xhml

możesz sprawdzić implementację C# here.