Question

有很多关于如何使用Ruby从文档中剥离HTML标记的示例，Hpricot和Nokogiri都有inner_text方法，可以轻松快速地删除所有HTML。

我要做的是反过来，从HTML文档中删除所有文本，只留下标记及其属性。

我考虑通过文件设置inner_html循环到nil，但实际上你必须反过来做，因为第一个元素（root）有一个inner_html整个文档的其余部分，所以理想情况下我必须从最内层元素开始，将inner_html设置为nil，同时向上移动通过祖先。

有没有人知道一个有效的小技巧？我想也许正则表达式可能会这样做，但可能不如HTML tokenizer / parser那样有效。

Answer 1

这也有效：

doc = Nokogiri::HTML(your_html)
doc.xpath("//text()").remove

Answer 2

您可以扫描字符串以创建“标记”数组，然后只选择那些是html标记：

>> some_html
=> "<div>foo bar</div><p>I like <em>this</em> stuff <a href='http://foo.bar'> long time</a></p>"
>> some_html.scan(/<\/?[^>]+>|[\w\|`~!@#\$%^&*\(\)\-_\+=\[\]{}:;'",\.\/?]+|\s+/).select { |t| t =~ /<\/?[^>]+>/ }.join("")
=> "<div></div><p><em></em><a href='http://foo.bar'></a></p>"

==编辑==

甚至更好，只需扫描html标签;）

>> some_html.scan(/<\/?[^>]+>/).join("")
=> "<div></div><p><em></em><a href='http://foo.bar'></a></p>"

Answer 3

要获取不在标签中的所有内容，您可以使用这样的nokogiri：

doc.search('//text()').text

当然，这会抓取<script>或<style>标记的内容，因此您也可以删除列入黑名单的标记：

blacklist = ['title', 'script', 'style']
nodelist = doc.search('//text()')
blacklist.each do |tag|
  nodelist -= doc.search('//' + tag + '/text()')
end
nodelist.text

如果您愿意，也可以将白名单列入白名单，但这可能会更耗时：

whitelist = ['p', 'span', 'strong', 'i', 'b']  #The list goes on and on...
nodelist = Nokogiri::XML::NodeSet.new(doc)
whitelist.each do |tag|
  nodelist += doc.search('//' + tag + '/text()')
end
nodelist.text

您也可以构建一个巨大的XPath表达式并进行一次搜索。老实说，我不知道哪种方式更快，或者是否有明显的差异。

Answer 4

我想出了这个，但@ andre-r的解决方案 soo 更好！

#!/usr/bin/env ruby

require 'nokogiri'

def strip_text doc
  Nokogiri(doc).tap { |doc|
    doc.traverse do |node|
      node.content = nil if node.text?
    end
  }.to_s
end

require 'test/unit'
require 'yaml'
class TestHTMLStripping < Test::Unit::TestCase
  def test_that_all_text_gets_strippped_from_the_document
    dirty, clean = YAML.load DATA
    assert_equal clean, strip_text(dirty)
  end
end
__END__
---
- |
  <!DOCTYPE html>
  <html xmlns='http://www.w3.org/1999/xhtml' xml:lang='en' lang='en'>
    <head>
        <meta http-equiv='Content-type'     content='text/html; charset=UTF-8' />
        <title>Test HTML Document</title>
        <meta http-equiv='content-language' content='en' />
    </head>
    <body>
        <h1>Test <abbr title='Hypertext Markup Language'>HTML</abbr> Document</h1>
        <div class='main'>
            <p>
                <strong>Test</strong> <abbr title='Hypertext Markup Language'>HTML</abbr> <em>Document</em>
            </p>
        </div>
    </body>
  </html>
- |
  <!DOCTYPE html>
  <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
  <head>
  <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
  <title></title>
  <meta http-equiv="content-language" content="en">
  </head>
  <body><h1><abbr title="Hypertext Markup Language"></abbr></h1><div class="main"><p><strong></strong><abbr title="Hypertext Markup Language"></abbr><em></em></p></div></body>
  </html>

使用Ruby从HTML文档中删除文本

4 个答案: