Question

不再维护tidy gem并且存在多个内存泄漏问题。

有些人建议使用Nokogiri。

我目前正在使用以下方式清理HTML：

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

我有两个问题：

Nokogiri删除DOCTYPE
是否有一种简单的方法可以强制清理的HTML包含html和body代码？

Answer 1

如果您要处理完整文档，则需要：

Nokogiri::HTML(html).to_html

这将强制html和body代码，并引入或保留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>

请注意，输出不保证在语法上有效。例如，如果我提供了一个破损的文档，并声称它是HTML4.01严格的，Nokogiri将输出一个包含该DOCTYPE但没有所需的<head><title>...</title></head>部分的文档：

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>

Answer 2

可能不支持Tidy gem，但是基础tidy app is maintained，这就是你真正需要的。它很灵活，有list of options。

您可以通过多种不同的方式将HTML传递给它，并在.tidyrc文件中定义其配置或在命令行上传递它们。您可以使用Ruby的%x{}传递文件或使用IO.popen或IO.pipe将其视为管道。

用Nokogiri清理HTML（而不是Tidy）

2 个答案: