Очистка HTML с помощью Nokogiri (вместо Tidy)

на tidy gem больше не поддерживается и имеет несколько проблем с утечкой памяти.

некоторые люди предложили использовать Nokogiri.

в настоящее время я очищаю HTML, используя:

Nokogiri::HTML::DocumentFragment.parse(html).to_html

у меня есть две проблемы, хотя:

  • Nokogiri удаляет DOCTYPE

  • есть ли простой способ заставить очищенный HTML иметь html и body тег?

8
nokogiri ruby tidy

2 ответов

если вы обрабатываете полный документ, вы хотите:

Nokogiri::HTML(html).to_html

силу html и body теги, и ввести или сохранить DOCTYPE:

puts Nokogiri::HTML('<p>Hi!</p>').to_html
#=> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
#=>  "http://www.w3.org/TR/REC-html40/loose.dtd">
#=> <html><body><p>Hi!</p></body></html>

puts Nokogiri::HTML('<!DOCTYPE html><p>Hi!</p>').to_html
#=> <!DOCTYPE html>
#=> <html><body><p>Hi!</p></body></html>

обратите внимание,что вывод не гарантируется синтаксически допустимым. Например, если я предоставляю сломанный документ, который лежит и утверждает, что это HTML4.01 strict, Nokogiri выведет документ с этим DOCTYPE, но без требуемого :

dtd = '<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">'
puts Nokogiri::HTML("#{dtd}<p>Hi!</p>").to_html
#=> <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
#=>  "http://www.w3.org/TR/html4/strict.dtd">
#=> <html><body><p>Hi!</p></body></html>
8

аккуратный драгоценный камень может не поддерживаться, но основной tidy приложение поддерживается, и это то, что вам действительно нужно. Он гибкий и имеет довольно список вариантов.

вы можете передать HTML ему разными способами и определить его конфигурацию в или передать их в командной строке. Вы могли бы использовать Руби %x{}, чтобы передать ему файл или использовать IO.popen или IO.pipe рассматривать его как трубу.

2