Question

我有这个字符串

<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<!DOCTYPE en-note SYSTEM \"http://xml.evernote.com/pub/enml.dtd\">\n\n\n<en-note>\n<font size=\"5\">text_part_1</font><br><br>\n<font size=\"5\">text_part_2</font><br><br>\n<font size=\"5\">text_part_3</font>

我需要提取文本内容，但也要保留<br>元素。所以结果将是

text_part_1<br><br>text_part_2<br><br>text_part_3

我如何使用Nokogiri来做这件事？

Answer 1

部分问题是，您的XML是非法的。 <br>未终止;它应该是<br/> XML格式，或者有一个结束标记，即</br>。

Nokogiri在尝试解析XML时会引发错误。如果在解析后检查errors方法，您会看到类似的内容：

[
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 7>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 7>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 6>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 6>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag en-note line 5>
]

修复此问题，Nokogiri将能够正确处理XML。那时，你将能够做一些简单的事情：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<?xml version=\"1.0\" encoding=\"UTF-8\"?>
<!DOCTYPE en-note SYSTEM \"http://xml.evernote.com/pub/enml.dtd\">


<en-note>
<font size=\"5\">text_part_1</font><br/><br/>
<font size=\"5\">text_part_2</font><br/><br/>
<font size=\"5\">text_part_3</font>
EOT

doc.search('br').each do |br|
  br.replace('##br##')
end


text = doc.content.gsub('##br##', '<br/>')
puts text

以下是带有更正的br标记的输出：

text_part_1<br/><br/>
text_part_2<br/><br/>
text_part_3

修复XML的最简单方法是在解析之前运行一些清理代码，例如：

doc = Nokogiri::XML(xml.gsub('<br>', '<br/>'))

其中xml是包含XML内容的变量。

Answer 2

怎么样：

html =  "<?xml version=\"1.0\" encoding=\"UTF-8\"?>\n<!DOCTYPE en-note SYSTEM \"http://xml.evernote.com/pub/enml.dtd\">\n\n\n<en-note>\n<font size=\"5\">text_part_1</font><br><br>\n<font size=\"5\">text_part_2</font><br><br>\n<font size=\"5\">text_part_3</font>"
doc = Nokogiri::HTML(html)
str = ""
doc.traverse { |n| str << n.to_s if (n.name == "text" or n.name == "br") }
str #=> "text_part_1<br><br>text_part_2<br><br>text_part_3"

如何使用Nokogiri从此HTML中提取文本并保留元素？

2 个答案: