C# Разметка HTML Разметка в XML

Question

Я действительно надеюсь, что кто-то может помочь мне с этим вопросом. Решение должно быть на C#.

У меня есть XML-файл размером 36 МБ и 900k строк. На некоторых узлах есть много HTML-разметки и некоторые недопустимые разметки, такие как

<Obs><p>
<jantes -="" .="" 22.000="" apenas="" exclusive="" kms.="" leve="" liga="" o=""> </jantes></p>

Я пробовал разные способы очистки этого файла, но только один способ может выполнить задачу, однако, поскольку это выполняется в веб-приложении, оно блокирует приложение и занимает около 6 минут, чтобы завершить задачу, и потребляет около 450 МБ в объем памяти.

Поскольку этот файл является недействительным XML, я не могу использовать XmlTextReader. Использование XLST, основанное на вырезании HTML-подобных символов (не разметки) из XML с помощью XSLT? Странно, у меня тоже проблемы с HTML-сущностями.

Процесс, который работал (с некоторыми изменениями), следующий на http://www.codeproject.com/Articles/19652/HTML-Tag-Stripper

Спасибо

Редактировать:

Следуя советам Кевина. Я пытаюсь создать решение с использованием HTML Agility Pack. По крайней мере, сделать несколько тестов. Я застрял однако. Представьте себе следующий узел xml:

<Obs><p> I WANT THIS TEXT<jantes -="" .="" 22.000="" apenas="" exclusive="" kms.="" leve="" liga="" o=""> </jantes></p></Obs>

Как я могу удалить теги внутри тега "obs", оставить тег "obs", а также оставить текст "Я ХОЧУ ЭТОТ ТЕКСТ"? В основном это:

<Obs>I WANT THIS TEXT</Obs>

На данный момент это код, который у меня есть:

        HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(text);
        Queue<HtmlNode> nodes = new Queue<HtmlNode>(doc.DocumentNode.SelectNodes("./*|./text()"));
        while (nodes.Count > 0)
        {
            HtmlNode node = nodes.Dequeue();
            HtmlNode parentNode = node.ParentNode;

            HtmlNodeCollection childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            {
                foreach (HtmlNode child in childNodes)
                {
                    if (child.Name != "obs")
                    {
                        nodes.Enqueue(child);
                    }
                    else
                    {
                        childNodes = child.SelectNodes("//p|//jantes");
                        foreach (HtmlNode nodeToStrip in childNodes)
                            nodeToStrip.ParentNode.RemoveChild(nodeToStrip);
                    }
                }
            }
        }
        string s = doc.DocumentNode.InnerHtml;

Спасибо:)

РЕДАКТИРОВАТЬ 2

Хорошо, я смог выполнить задачу. Однако это занимает слишком много времени. Около 3 часов и 800 МБ памяти.

Все еще нуждаюсь в помощи!

Вот код, это может кому-то помочь.

HtmlDocument doc = new HtmlDocument();
        doc.LoadHtml(text);
        Queue<HtmlNode> nodes = new Queue<HtmlNode>(doc.DocumentNode.SelectNodes("./*|./text()"));
        while (nodes.Count > 0)
        {
            HtmlNode node = nodes.Dequeue();
            HtmlNode parentNode = node.ParentNode;

            HtmlNodeCollection childNodes = node.SelectNodes("./*|./text()");

            if (childNodes != null)
            {
                foreach (HtmlNode child in childNodes)
                {
                    if (child.Name != "obs")
                    {
                        nodes.Enqueue(child);
                    }
                    else
                    {
                        childNodes = child.SelectNodes("//p|//jantes");
                        if (childNodes != null)
                        {
                            foreach (HtmlNode nodeToStrip in childNodes)
                            {
                                var replacement = doc.CreateTextNode(nodeToStrip.InnerText);
                                nodeToStrip.ParentNode.ReplaceChild(replacement, nodeToStrip);
                            }
                        }
                    }
                }
            }
        }
        string s = doc.DocumentNode.InnerHtml;

Answer 1

Вы пробовали Html Agility Pack? Среди его претензий:

• синтаксический анализатор очень терпим с искаженным HTML "реального мира"
• Вы можете исправить страницу так, как вы хотите, изменить DOM, добавить узлы, скопировать узлы, ну... вы называете это