怎么样去除不匹配的标签,在XML(html)没有前标[eg:<D>],但出现了后标[eg:</D>]

        private static void TestRegex19()
        {
            string html = @"<div align='center' id='year_copper_lme_mt'>
<table>
<tr>
<th colspan='6' class='tbltitle'>
copper lme cash and 3 month official seller / settlement prices 2010 <small>usd/mt</small>
</th>
</tr>
<tr>
<td>
avg 7,386.25 <span>7,412.03</span>
</td>
<td>
avg 6,848.18 <span>6,872.45</span>
</td>
<td>
avg 7,462.83 <span>7,494.85</span>
</td>
<td>
avg 7,745.08 <span>7,780.68</span>
</td>
<td>
avg 6,837.68 <span>6,874.08</span>
</td>
<td>
avg 6,499.30 <span>6,530.00</span>
</td>
</td></tr>
<tr>
<td>
</td>
</tr>
<tr>
<th class='tblhead' align='center'>
jul
</th>
<th class='tblhead' align='center'>
aug
</th>
<th class='tblhead' align='center'>
sep
</th>
<th class='tblhead' align='center'>
oct
</th>
<th class='tblhead' align='center'>
nov
</th>
<th class='tblhead' align='center'>
dec
</th>
</tr>
<tr>
<td>
<table>
<tr>
<td>
</td>
<td >
cash
</td>
<td>
3 mo
</td>
</tr>
<tr>
<td>
<span>1</span>
</td>
<td>
6,354.00
</td>
<td>
6,389.00
</td>
</tr>
</table>
</td>
<td>
</td>
<td>
</td>
<td>
</td>
<td>
</td>
<td>
</td>
</tr>
</table>
</table>
</div>";
            Match m = Regex.Match(html, @"(?isx)<\w+[^>]*>(?><\w+[^>]*>(?'b')|</\w+>(?'-b')|(?:(?!</?\w+\b).)*)*(?(b)(?!))</\w+>");
            string result = m.Value;//这里就是你要的结果。html.中去掉 result就是多余的。
        }

首先我在想xmldocument对象是否可以加载这种不规范的格式，
其次如果可以加载的话，我想到了一个思路你可试试。
遍历每个element元素及相子元素，看他们的上一个element是否和下一个element是拥有InnerText属性，如果没有的话，应该会报错，在catch里删除这个错误的对象（当然前提还是xmldocument对象能识别这种）。
我觉得吧，你与其研究这个，不如好好研究下：怎么把你的html代码搞改清楚。

forget that...
我的只能去除最外层的。逐层的过滤的话貌似不行。
状态机？自己实现？xml能否可以就不知道了。

你把最的
</table>
</div>
都干掉了,我只想把上面红色的两个不匹配的删除,其它的留下

        private static void TestRegex02()
        {            string html = @"<div align='center' id='year_copper_lme_mt'>
    <table>
        <tr>
            <th colspan='6' class='tbltitle'>
                copper lme cash and 3 month official seller / settlement prices 2010 <small>usd/mt</small>
            </th>
        </tr>
        <tr>
            <td>
                avg 7,386.25 <span>7,412.03</span>
            </td>
            <td>
                avg 6,848.18 <span>6,872.45</span>
            </td>
            <td>
                avg 7,462.83 <span>7,494.85</span>
            </td>
            <td>
                avg 7,745.08 <span>7,780.68</span>
            </td>
            <td>
                avg 6,837.68 <span>6,874.08</span>
            </td>
            <td>
                avg 6,499.30 <span>6,530.00</span>
            </td>
        </td></tr>
        <tr>
            <td>
            </td>
        </tr>
        <tr>
            <th class='tblhead' align='center'>
                jul
            </th>
            <th class='tblhead' align='center'>
                aug
            </th>
            <th class='tblhead' align='center'>
                sep
            </th>
            <th class='tblhead' align='center'>
                oct
            </th>
            <th class='tblhead' align='center'>
                nov
            </th>
            <th class='tblhead' align='center'>
                dec
            </th>
        </tr>
        <tr>
            <td>
                <table>
                    <tr>
                        <td>
                        </td>
                        <td >
                            cash
                        </td>
                        <td>
                            3 mo
                        </td>
                    </tr>
                    <tr>
                        <td>
                            <span>1</span>
                        </td>
                        <td>
                            6,354.00
                        </td>
                        <td>
                            6,389.00
                        </td>
                    </tr>
                </table>
            </td>
            <td>
            </td>
            <td>
            </td>
            <td>
            </td>
            <td>
            </td>
            <td>
            </td>
        </tr>
    </table>
    </table>
</div>";
            Regex regExp = new Regex(@"(?<=<)/?(\w+)", RegexOptions.Compiled);
            Match m = regExp.Match(html);
            Stack<string> tags = new Stack<string>();
            List<Match> err = new List<Match>();
            while (m.Success)
            {
                if (!m.Value.StartsWith("/")) tags.Push(m.Value);
                else
                {
                    if (string.Compare(tags.Peek(), m.Groups[1].Value, true) == 0) tags.Pop();//移除
                    else err.Add(m);
                }
                m = m.NextMatch();
            }
            foreach (Match e in err)
            {
                Console.WriteLine(e.Value + "位置:" + m.Index);
            }
        }
可以找到结果。别说我刷屏哇。~~

在修改一下。可以效果好一些。private static void TestRegex02()
{
    string html = @"略";
    Regex regExp = new Regex(@"<(/?(\w+))[^>]*>", RegexOptions.Compiled);
    Match m = regExp.Match(html);
    Stack<Match> tags = new Stack<Match>();
    List<Match> err = new List<Match>();
    while (m.Success)
    {
        if (!m.Value.StartsWith("</")) tags.Push(m);
        else
        {
            if (string.Compare(tags.Peek().Groups[2].Value, m.Groups[2].Value, true) == 0) tags.Pop();//移除
            else err.Add(m);
        }
        m = m.NextMatch();
    }
    foreach (Match e in err)
    {
        Console.WriteLine(e.Value + "位置:" + e.Index + "长度:" + e.Length);
    }
}

可能还有点遗漏，最后加上一个遍历stack的。如果前面多了的话。也要检查
private static void TestRegex02()
{
    string html = @"略";
    Regex regExp = new Regex(@"<(/?(\w+))[^>]*>", RegexOptions.Compiled);
    Match m = regExp.Match(html);
    Stack<Match> tags = new Stack<Match>();
    List<Match> err = new List<Match>();
    while (m.Success)
    {
        if (!m.Value.StartsWith("</")) tags.Push(m);
        else
        {
            if (string.Compare(tags.Peek().Groups[2].Value, m.Groups[2].Value, true) == 0) tags.Pop();//移除
            else err.Add(m);
        }
        m = m.NextMatch();
    }
    foreach (Match e in tags)//前面<...多余的
    {
        Console.WriteLine(e.Value + "位置:" + e.Index + "长度:" + e.Length);
    }
    foreach (Match e in err)//后面</...多余的
    {
        Console.WriteLine(e.Value + "位置:" + e.Index + "长度:" + e.Length);
    }
}

调试易

怎么样去除不匹配的标签,在XML(html)没有前标[eg:<D>],但出现了后标[eg:</D>]

解决方案 »