html - 使用 Nokogiri 以奇怪的编码解析 HTML

Question

我不能使用 XPath，因为编码变得很奇怪。我希望你能帮我摆脱这个麻烦。

require "Nokogiri"
require "open-uri"
link = "http://www.arla.dk/Services/SearchService.asmx/RecipeResult?q=allRecipe&paging=6&include=&exclude=&area=recipeSearch&languageBranch=da"
doc = Nokogiri::HTML(open(link))
doc.xpath("//h2")

该xpath方法返回一个空数组。看起来文档没有被正确解析。我认为这是由于正在解析的文件包含编码字符：

<strong>Frokost til 8</strong>
<ul><li class='ingHeading'><strong><b>Flade

Answer 1

响应是 XML，所以首先用 Nokogiri::XML 解析它：

xml = Nokogiri::XML open(link)

然后第一个字符串包含一些 HTML，所以用 Nokogiri::HTML 解析它

doc = Nokogiri::HTML xml.at('string').text

现在您可以进行搜索：

doc.xpath '//h2'

Answer 2

如上所述，问题在于 HTML 已编码，这就是您看到转义序列的原因；例如，<代替<. 要绕过它，请对 HTML 进行转义。

“如何在 Ruby 中编码/解码 HTML 实体？基本上建议使用htmlentities。