如何用HTML Agility Pack将多个无效p标签替换为单个带<br>的p标签

需求说明 #

把HTML中连续的空p标签、仅含不间断空格（ ）的p标签、仅含换行/br标签的p标签，统一替换为单个<p><br></p>，解决多来源（Web、移动端应用、各类富文本编辑器）HTML换行格式不统一的问题。

推荐方案：HTML Agility Pack（C#） #

用HTML解析库处理HTML结构比正则更可靠，能正确识别嵌套标签、属性等复杂情况。

实现步骤 #

1. 加载HTML文档，遍历所有p标签
2. 定义判断规则：识别哪些p属于“冗余换行标签”
3. 将连续的冗余p标签归为一个块
4. 每个冗余块替换为单个<p><br></p>

代码示例 #

先通过NuGet安装HtmlAgilityPack包，然后实现以下方法：

using HtmlAgilityPack;
using System.Collections.Generic;
using System.Linq;

public string CleanRedundantLineBreaks(string html)
{
    var doc = new HtmlDocument();
    doc.LoadHtml(html);

    var pNodes = doc.DocumentNode.SelectNodes("//p")?.ToList() ?? new List<HtmlNode>();
    var redundantBlocks = new List<List<HtmlNode>>();
    List<HtmlNode> currentBlock = null;

    foreach (var p in pNodes)
    {
        if (IsRedundantP(p))
        {
            currentBlock ??= new List<HtmlNode>();
            currentBlock.Add(p);
        }
        else
        {
            if (currentBlock != null)
            {
                redundantBlocks.Add(currentBlock);
                currentBlock = null;
            }
        }
    }
    // 处理末尾的冗余块
    if (currentBlock != null)
    {
        redundantBlocks.Add(currentBlock);
    }

    // 替换每个冗余块
    foreach (var block in redundantBlocks)
    {
        var parent = block[0].ParentNode;
        // 创建新的<br>标签p
        var newBrP = doc.CreateElement("p");
        var brTag = doc.CreateElement("br");
        newBrP.AppendChild(brTag);
        // 插入新节点，删除冗余节点
        parent.InsertBefore(newBrP, block[0]);
        block.ForEach(node => node.Remove());
    }

    return doc.DocumentNode.OuterHtml;
}

// 判断单个p标签是否为冗余换行标签
private bool IsRedundantP(HtmlNode pNode)
{
    // 清理文本：去掉空白、&nbsp;（含解析后的Unicode字符\u00A0）
    var cleanedText = pNode.InnerText.Trim().Replace("\u00A0", "").Replace("&nbsp;", "");
    // 检查是否仅包含br标签（忽略属性差异）
    var onlyHasBrTags = pNode.ChildNodes.All(n => n.Name.Equals("br", System.StringComparison.OrdinalIgnoreCase));
    // 空文本 或 仅含br标签，都算冗余
    return string.IsNullOrEmpty(cleanedText) || onlyHasBrTags;
}

代码说明 #

• IsRedundantP函数覆盖了所有冗余场景：空p、仅含 的p、仅含br的p（不管br有没有属性，比如data-mce-bogus）
• 对连续的冗余p标签分组，避免替换成多个<p><br></p>
• 保留了正常内容的p标签，只处理连续冗余块

备选方案：正则表达式（局限性提示） #

如果是简单场景，也可以用正则，但正则无法正确处理嵌套HTML标签（比如用户示例中的<p><p></p><br></p>），容易出现误匹配或漏匹配。示例代码：

using System.Text.RegularExpressions;

public string CleanLineBreaksWithRegex(string html)
{
    // 匹配连续的冗余p标签块
    var regexPattern = @"(<p>(?:&nbsp;|<br\s*/?>|\s)*<\/p>\s*)+";
    return Regex.Replace(html, regexPattern, "<p><br></p>", RegexOptions.IgnoreCase);
}

测试验证 #

用你提供的复杂示例输入：

<p>Test</p><p>&nbsp;</p><p><br/></p><p><p></p><br data-mce-bogus="1"></p><p></p><p>Test 2</p>

经过HTML Agility Pack方案处理后，输出结果为：

<p>Test</p><p><br></p><p>Test 2</p>

符合预期要求。

内容的提问来源于stack exchange，提问作者Bonio