.NET解析.mht格式文件

public static JToken ParseItemsFromMht(string filePath)
{
    // 处理不同编码格式
    string fileContent = DetectAndReadFile(filePath);

    // 尝试通过多种方式定位JSON数据
    string jsonData = ExtractJsonData(fileContent);

    return ParseAndExtractItems(jsonData);
}

private static string DetectAndReadFile(string filePath)
{
    // 先以UTF-8读取，失败时尝试自动检测编码
    try
    {
        return File.ReadAllText(filePath, Encoding.UTF8);
    }
    catch (DecoderFallbackException)
    {
        byte[] bytes = File.ReadAllBytes(filePath);
        Encoding encoding = DetectEncoding(bytes);
        return encoding.GetString(bytes);
    }
}

private static Encoding DetectEncoding(byte[] bytes)
{
    // 检测可能的编码格式（针对中文环境）
    if (bytes.Length >= 3 && bytes[0] == 0xEF && bytes[1] == 0xBB && bytes[2] == 0xBF)
        return Encoding.UTF8;

    if (bytes.Length >= 2 && bytes[0] == 0xFF && bytes[1] == 0xFE)
        return Encoding.Unicode;

    // 检测GB2312/GBK编码特征
    bool hasGbChars = false;
    for (int i = 0; i < Math.Min(bytes.Length, 1000); i++)
    {
        if (bytes[i] >= 0x81 && bytes[i] <= 0xFE)
        {
            hasGbChars = true;
            break;
        }
    }

    return hasGbChars ? Encoding.GetEncoding("GB2312") : Encoding.Default;
}

private static string ExtractJsonData(string fileContent)
{
    // 策略1：按MIME边界分割
    string boundary = ExtractBoundary(fileContent);
    if (!string.IsNullOrEmpty(boundary))
    {
        var jsonContent = FindJsonInMimeParts(fileContent, boundary);
        if (!string.IsNullOrEmpty(jsonContent))
            return jsonContent;
    }

    // 策略2：直接扫描整个文件
    return ScanForJsonDirectly(fileContent);
}

private static string FindJsonInMimeParts(string content, string boundary)
{
    List<string> parts = content.Split(
            new[] { "--" + boundary },
            StringSplitOptions.RemoveEmptyEntries)
        .Where(part => !part.Contains("--"))
        .ToList();

    // 在HTML部分中查找内嵌的JSON
    foreach (var part in parts)
    {
        // 放宽JSON识别条件
        if (part.Contains("items") && (part.Contains('{') || part.Contains('[')))
        {
            // 尝试分离HTML标签
            string cleanContent = StripHtmlTags(part);

            // 验证是否是有效的JSON格式
            if (IsValidJson(cleanContent))
                return cleanContent;
        }
    }

    return null;
}

 private static JToken ParseAndExtractItems(string jsonStr)
 {
     // 容忍性更强的JSON解析
     jsonStr = NormalizeJson(jsonStr);

     // 尝试解析为JSON
     var token = JToken.Parse(jsonStr);

     // 自动探测items位置
     if (token is JObject obj)
     {
         // 检查第一层级
         if (obj.ContainsKey("items"))
             return obj["items"];

         // 检查常见嵌套结构
         foreach (var child in obj.Children<JProperty>())
         {
             if (child.Value is JObject childObj && childObj.ContainsKey("items"))
                 return childObj["items"];
         }
     }

     throw new KeyNotFoundException("'items' section not found in JSON structure");
 }

 private static string NormalizeJson(string json)
 {
     // 替换JavaScript格式的属性名（无引号）
     json = Regex.Replace(json, @"([,{]\s*)(?<name>\w+)\s*:", "$1\"${name}\":");

     // 处理注释
     json = Regex.Replace(json, @"//.*?(\r\n?|\n)", "");
     json = Regex.Replace(json, @"/\*.*?\*/", "", RegexOptions.Singleline);

     // 处理JSONP格式
     int startPos = json.IndexOf('{');
     int endPos = json.LastIndexOf('}');
     if (startPos > -1 && endPos > startPos)
         json = json.Substring(startPos, endPos - startPos + 1);

     return json;
 }