如何使用 Nokogiri 漂亮地打印 HTML？

Question

我用 Ruby 编写了一个网络爬虫，并使用 Nokogiri::HTML 来解析页面。我需要打印页面，在 IRB 中闲逛时，我注意到一个 pretty_print 方法。然而它需要一个参数，我不知道它想要什么。

我的爬虫正在缓存网页的 HTML 并将其写入本地计算机上的文件。我想“漂亮地打印”HTML，以便在我这样做时它看起来漂亮且格式正确。

Answer 1

@mislav 的回答有些错误。 Nokogiri 确实支持漂亮打印，如果您：

• 将文档解析为 XML
• 指示 Nokogiri 在解析过程中忽略纯空白节点（“空白”）
• 使用 to_xhtml 或 to_xml 指定漂亮打印参数

行动中：

html = '<section>
<h1>Main Section 1</h1><p>Intro</p>
<section>
<h2>Subhead 1.1</h2><p>Meat</p><p>MOAR MEAT</p>
</section><section>
<h2>Subhead 1.2</h2><p>Meat</p>
</section></section>'

require 'nokogiri'
doc = Nokogiri::XML(html,&:noblanks)
puts doc
#=> <section>
#=>   <h1>Main Section 1</h1>
#=>   <p>Intro</p>
#=>   <section>
#=>     <h2>Subhead 1.1</h2>
#=>     <p>Meat</p>
#=>     <p>MOAR MEAT</p>
#=>   </section>
#=>   <section>
#=>     <h2>Subhead 1.2</h2>
#=>     <p>Meat</p>
#=>   </section>
#=> </section>

puts doc.to_xhtml( indent:3, indent_text:"." )
#=> <section>
#=> ...<h1>Main Section 1</h1>
#=> ...<p>Intro</p>
#=> ...<section>
#=> ......<h2>Subhead 1.1</h2>
#=> ......<p>Meat</p>
#=> ......<p>MOAR MEAT</p>
#=> ...</section>
#=> ...<section>
#=> ......<h2>Subhead 1.2</h2>
#=> ......<p>Meat</p>
#=> ...</section>
#=> </section>

Answer 2

通过 HTML 页面的“漂亮打印”，我认为您的意思是您想要使用适当的缩进重新格式化 HTML 结构。 Nokogiri 不支持这一点； pretty_print 方法适用于“pp”库，输出仅对调试有用。

有几个项目能够很好地理解 HTML，能够在不破坏实际上很重要的空白的情况下重新格式化它（著名的一个是 HTML Tidy），但通过谷歌搜索，我发现这篇文章标题为 "使用 Nokogiri 和 XSLT 漂亮地打印 XHTML"。

归结为：

xsl = Nokogiri::XSLT(File.open("pretty_print.xsl"))
html = Nokogiri(File.open("source.html"))
puts xsl.apply_to(html).to_s

当然，它要求您将链接的 XSL 文件下载到您的文件系统。我在我的机器上很快就尝试过了，效果非常好。

Answer 3

这对我有用：

 pretty_html = Nokogiri::HTML(html).to_xhtml(indent: 3) 

我尝试了上面的 REXML 版本，但它损坏了我的一些文档。我讨厌将 xslt 引入新项目。两者都感觉陈旧。 :)

Answer 4

您可以尝试 REXML：

require "rexml/document"

doc = REXML::Document.new(xml)
doc.write($stdout, 2)

Answer 5

我的解决方案是在实际的 Nokogiri 对象上添加一个 print 方法。运行下面代码片段中的代码后，您应该能够编写 node.print，并且它会很好地打印内容。不需要 xslt :-)

Nokogiri::XML::Node.class_eval do
  # Print every Node by default (will be overridden by CharacterData)
  define_method :should_print? do
    true
  end

  # Duplicate this node, replace the contents of the duplicated node with a
  # newline. With this content substitution, the #to_s method conveniently
  # returns a string with the opening tag (e.g. `<a href="foo">`) on the first
  # line and the closing tag on the second (e.g. `</a>`, provided that the
  # current node is not a self-closing tag).
  #
  # Now, print the open tag preceded by the correct amount of indentation, then
  # recursively print this node's children (with extra indentation), and then
  # print the close tag (if there is a closing tag)
  define_method :print do |indent=0|
    duplicate = self.dup
    duplicate.content = "\n"
    open_tag, close_tag = duplicate.to_s.split("\n")

    puts (" " * indent) + open_tag
    self.children.select(&:should_print?).each { |child| child.print(indent + 2) }
    puts (" " * indent) + close_tag if close_tag
  end
end

Nokogiri::XML::CharacterData.class_eval do
  # Only print CharacterData if there's non-whitespace content
  define_method :should_print? do
    content =~ /\S+/
  end

  # Replace all consecutive whitespace characters by a single space; precede the
  # outut by a certain amount of indentation; print this text.
  define_method :print do |indent=0|
    puts (" " * indent) + to_s.strip.sub(/\s+/, ' ')
  end
end

Answer 6

更简单且效果更好

puts Nokogiri::HTML(File.read('terms.fr.html')).to_xhtml

Answer 7

我知道我回答这个问题已经很晚了，但我还是会留下答案。我尝试了上述所有步骤，并且在一定程度上确实有效。

Nokogiri 确实格式化了 HTML 但不关心结束或开始标记，因此漂亮的格式是不可能的。

我发现了一个名为 htmlbeautifier 的宝石，它的作用就像一个魅力。我希望其他仍在寻找答案的人会发现这很有价值。

Answer 8

你为什么不试试pp方法呢？

require 'pp'
pp some_var