Question

我正在制作摘要电子邮件，以便发送给我公司应用的用户。为此，我将浏览每个用户的电子邮件，并尝试查找有关每封电子邮件的一些基本信息（来自，主题，时间戳，以及导致我困难的方面，图像）。

我认为Nokogiri的search('img')功能可以用来提取图像。不幸的是，看起来大多数电子邮件都会在这些图像的URL中嵌入大量垃圾，例如换行符（“\ n”），转义字符（“\”）和字符串“3D”由于某种原因。例如：

<img src=3D\"https://=\r\nd3ui957tjb5bqd.cloudfront.net/images/emails/1/logo.png\"

这导致搜索仅提取实际URL / src的部分：

#(Element:0x3fd0c8e83b80 {
  name = "img",
  attributes = [
    #(Attr:0x3fd0c8e82a28 { name = "src", value = "3D%22https://=" }),
    #(Attr:0x3fd0c8e82a14 { name = "d3ui957tjb5bqd.cloudfront.net", value = "" }),
    #(Attr:0x3fd0c8e82a00 { name = "width", value = "3D\"223\"" }),
    #(Attr:0x3fd0c8e829ec { name = "heigh", value = "t=3D\"84\"" }),
    #(Attr:0x3fd0c8e829d8 { name = "alt", value = "3D\"Creative" }),
    #(Attr:0x3fd0c8e829c4 { name = "market", value = "" }),
    #(Attr:0x3fd0c8e829b0 { name = "border", value = "3D\"0\"" })]
  })

有没有人知道为什么会这样，以及如何删除所有这些垃圾？

我从很多gsub和安全检查中得到了不错的结果，但感觉非常俗气。

我也尝试过Sanitize.clean无法使用的内容以及“How to sanitize html string except image url?”中提到的PermitScrubber。

Answer 1

邮件正文编码为quoted printable。在使用Nokogiri解析之前，您需要对身体进行解码。使用unpack：

，可以使用Ruby轻松完成此操作

decoded = encoded.unpack('M').first

您应该在尝试解码之前查看邮件标题来检查编码是什么，并非所有邮件都以这种方式编码，还有其他类型的编码。

Answer 2

我不是抓取大师，但你可以通过CSS属性

获得它

.at_css("img")['src']

例如：

require "open-uri"
require "nokogiri"

doc = open(url_link)
page = Nokogiri::HTML(doc)

page.css("div.col-xs-12.visible-xs.visible-sm div.school-image").each do |pic|
   img = pic.at_css("img")['src'].downcase if pic.at_css("img")
end

如何解析编码的HTML

2 个答案: