如何通用提取XML中客户属性标签名至List<string>？

问题场景 #

我有一个嵌入在网页中的XML结构，用来存储单个客户信息，示例结构如下：

<?xml version="1.0" encoding="UTF-8" ?>
<html>
<head></head>
<body>
    <document>
        <Name>Pablo</Name>
        <Surname>Salamanca</Surname>
        <Age>68</Age>
        <Gender>M</Gender>
    </document>
</body> 
</html>

网页仅展示客户的字段值：Pablo Salamanca 68 M

需要注意：

• 存在近15种无标准化的XML结构模板，不同客户的信息顺序、内容差异大，仅标签值和顺序变化，外层HTML+document的框架不变。
• 每个客户的XML包含68~278个属性/元素。

需求目标 #

将仅属于客户的标签名提取到List<string>中，示例结果：

List[0] = "Name"
List[1] = "Surname"
List[2] = "Age"
List[3] = "Gender"
...

已有代码 #

目前已实现从URL获取内容并做初步处理：

var url = _urlMaker.GetUrl();
WebClient client = new WebClient();
client.Encoding = System.Text.Encoding.GetEncoding("utf-8");
string xml = client.DownloadString(url);

int n = 2;
List<string> xmlSplit = xml
    .Split(Environment.NewLine.ToCharArray())
    .Skip(n)
    .ToList();

xml = string.Join(Environment.NewLine, xmlSplit);

注：拆分并移除前两行是因为原文档是HTML结构，Visual Studio无法直接完整解析，通过此处理转为可解析的XML格式，目前其他部分已能正常解析字段值。

原本考虑用XmlDocument.GetElementsByTagName方法，但由于无法预知具体标签名，无法直接使用。

通用解决方案 #

方案1：使用XDocument直接解析（推荐，适用于XML结构规范的情况） #

无需拆分字符串，直接用XDocument解析整个内容，提取<document>节点下的所有子元素标签名：

var url = _urlMaker.GetUrl();
// 使用using确保WebClient资源释放
using (WebClient client = new WebClient())
{
    client.Encoding = System.Text.Encoding.UTF8;
    string xmlContent = client.DownloadString(url);
    
    // 直接解析包含HTML包裹的XML
    XDocument doc = XDocument.Parse(xmlContent);
    
    // 提取<document>下的所有客户标签名
    List<string> customerTags = doc.Descendants("document")
                                   .Elements()
                                   .Select(e => e.Name.LocalName)
                                   .ToList();
}

优势：不管内部标签顺序如何变化，只要客户字段在<document>节点下，就能精准提取，完全适配不同模板。

方案2：过滤无关标签（适用于无法确定document节点名称的情况） #

如果<document>节点名称也可能变化，可以遍历所有元素，排除已知的无关标签：

var url = _urlMaker.GetUrl();
using (WebClient client = new WebClient())
{
    client.Encoding = System.Text.Encoding.UTF8;
    string xmlContent = client.DownloadString(url);
    
    XDocument doc = XDocument.Parse(xmlContent);
    
    // 定义需要排除的外层标签
    List<string> excludeTags = new List<string> { "html", "head", "body", "document" };
    // 提取所有非排除标签，可根据需求添加Distinct()去重
    List<string> customerTags = doc.Descendants()
                                   .Select(e => e.Name.LocalName)
                                   .Where(tag => !excludeTags.Contains(tag))
                                   .ToList();
}

方案3：使用HtmlAgilityPack处理不规范HTML（适用于原HTML结构不标准的情况） #

如果原文档HTML标签不闭合、格式混乱，先用HtmlAgilityPack处理HTML，再提取目标XML部分：

1. 先通过NuGet安装HtmlAgilityPack包
2. 编写代码：

var url = _urlMaker.GetUrl();
using (WebClient client = new WebClient())
{
    client.Encoding = System.Text.Encoding.UTF8;
    string htmlContent = client.DownloadString(url);
    
    HtmlDocument htmlDoc = new HtmlDocument();
    htmlDoc.LoadHtml(htmlContent);
    
    // 获取<document>节点的完整内容
    HtmlNode documentNode = htmlDoc.DocumentNode.SelectSingleNode("//document");
    if (documentNode != null)
    {
        string documentXml = documentNode.OuterHtml;
        XDocument doc = XDocument.Parse(documentXml);
        
        List<string> customerTags = doc.Root.Elements()
                                       .Select(e => e.Name.LocalName)
                                       .ToList();
    }
}

优势：能处理各种不规范的HTML结构，确保后续XML解析的准确性。

内容的提问来源于stack exchange，提问作者Matěj