未封闭的标签和 Nokogiri

Question

我的测试html文件在这里： http://pastebin.com/L88nYbQY

正如你所看到的，有一些未关闭的输入标签，以及一些自动关闭的标签。

这会导致以下代码返回从开始 #qcbody div 到文件末尾的所有内容，忽略结束 div 标记。

require 'nokogiri'

f = File.open('t.html', 'r')
@doc = Nokogiri::XML(f)
@doc.at_css('#qcbody').to_html

我确信人们已经通过多种方式解决了这个问题。你会怎么做？

Answer 1

尝试一下：

require 'open-uri'
require 'nokogiri'

@doc = Nokogiri::HTML(File.open('t.html', 'r'))
@doc.at_css('#qcbody').to_html

在 IRB 中：

>> @doc.at_css('#qcbody').to_html
=> "<div id="qcbody">         \r\n    <form method="post" name="form" id="form" action="#">\r\n      <input type="hidden" name="Search Engine" id="Search Engine"><input type="hidden" name="Keyword" id="Keyword"><input type="button" onclick="javascript:validate()" name="sendsubmit" id="sendsubmit" class="submit">\n</form>\r\n    <div class="clear"></div>\r\n  </div>"

使用 Nokogiri::XML 和 Nokogiri::HTML 之间的区别在于解析文档时的宽松程度。 XML 需要进行验证并保持正确。某些 XML 解析器会拒绝不符合标准的 XML 文件。 Nokogiri 允许我们设置它的挑剔程度。 （对于 XML，您可以查看错误 解析后的数组以查看是否存在问题。）

对于 HTML，Nokogiri 放松了解析器，因此有更好的机会处理现实世界的 HTML。我见过它处理一些非常丑陋的标记，并且当较小的解析器搞砸了他们的午餐时仍然继续下去。如果您查看 Nokogiri::HTML.parse 它有 options = XML::ParseOptions::DEFAULT_HTML 定义，它们是轻松的设置。如果您想确保 HTML 符合要求，您可以覆盖它。

Answer 2

@doc = Nokogiri::HTML.parse(f)
@doc.at('#qcbody').to_html