1

我需要处理一个 HTML 文档并在几个地方插入一些节点。我正在处理的内容无效，但 Nokogiri 足够聪明，可以弄清楚它应该是什么。问题是我不想更改原始文档的格式，除了我要插入的部分。

这是一个例子：

require 'nokogiri'

orig_html = '
  <html>
  <meta name="Generator" content="Microsoft Word 97 O.o">
  <body>
    1
    <b><p>2</p></b>
    3
  </body>
</html>'

puts Nokogiri::HTML(orig_html).inner_html

# >> <html>
# >> <head>
# >> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
# >> <meta name="Generator" content="Microsoft Word 97 O.o">
# >> </head>
# >> <body>
# >>         1
# >>         <b></b><p>2</p>
# >>         3
# >>       </body>
# >> </html>

我希望输出与输入相同。问题是我不能在<p>里面<b>。我的倾向是切换到XML，但是有标签之类的无效标签<meta>，没有关闭。HTML 足够聪明，可以识别这一点，但 XML 不是。

4

2 回答 2

2

Nokogiri 正在修复格式错误的 HTML 以使其可解析。完成后，DOM 处于合理状态，但 Nokogiri 不再提供原始文档。

如果您希望原件不受影响，则必须在将其传递给 Nokogiri 之前使其有效，然后您可以使用 Nokogiri 的方法对其进行操作。通常我会使用一些正则表达式来查找问题点并添加/调整标签或其相关的结束标签，以允许 Nokogiri 解析而无需修复问题。

这不是 HTML 比 XML 更智能的情况，而是 Nokogiri 尊重严格的 XML 规范的精神，并errors在文件无效时通过使用错误填充数组来引发标志。HTML 的规范不那么严格，而且，因为浏览器在解析和显示 HTML 时（也）很宽容，所以 Nokogiri 会在一定程度上遵循，进行修复，然后填充errors数组。（无论哪种情况，您都可以检查该数组以查看问题所在。）

require 'nokogiri'

orig_html = '
  <html>
  <meta name="Generator" content="Microsoft Word 97 O.o">
  <body>
    1
    <b><p>2</p></b>
    3
  </body>
</html>'

doc = Nokogiri::HTML(orig_html)
doc.errors

doc.errors包含：

[
    [0] #<Nokogiri::XML::SyntaxError: Unexpected end tag : b>
]

以下是我使用 Nokogiri 修复示例 HTML 的方法：

doc = Nokogiri::HTML(orig_html)
p = doc.at('b+p')
p.previous_sibling.remove

这是此时的 HTML：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<meta name="Generator" content="Microsoft Word 97 O.o">
</head>
<body>
    1
    <p>2</p>
    3
  </body>
</html>

继续：

p.inner_html = "<b>#{p.content}</b>"
puts doc.to_html

这是生成的 HTML：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
<meta name="Generator" content="Microsoft Word 97 O.o">
</head>
<body>
    1
    <p><b>2</b></p>
    3
  </body>
</html>

很明显，示例 HTML 并不是您真正使用的内容，因此您必须更改访问器以定位需要更改的标签，但这应该可以帮助您。

于 2013-01-25T04:59:49.993 回答
0

以上适用于上述特定情况，但不适用于以下情况。

    orig_html = '
      <html>
      <meta name="Generator" content="Microsoft Word 97 O.o">
      <body>
        1
        <b>this is a bold
          <p>This is a paragraph</p>
        </b>
        3
      </body>
    </html>'

    doc = Nokogiri::HTML(orig_html)
    p = doc.at('b+p')

    p.previous_sibling.remove
    p.inner_html = "<b>#{p.content}</b>" # !> mismatched indentations at 'end' with 'def' at 17
     puts doc.to_html

生成的 HTML：

   <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
    <html>
    <head>
    <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
    <meta name="Generator" content="Microsoft Word 97 O.o">
    </head>
    <body>
        1
         <p><b>This is a paragraph</b></p>

        3
      </body>
    </html>
于 2013-01-25T22:30:32.110 回答