如何只给Nokogiri喂一个字符串

时间:2010-12-09 15:53:33

标签: ruby nokogiri

我有以下示例XML:

<all>
    <houses>
        <reg info='<root><h level="2" i="1"> something </h><root>' 
             other="test"
             something
        </reg>
    </houses>
</all>

我想解析info标记的<reg>属性中提供的XML,但我不知道如何将info属性的内容提供给Nokogiri。

这就是我现在所拥有的:

doc = Nokogiri::HTML(open-uri(mylink))
node = doc.xpath(//houses/reg)
puts node[0]['info'].class  #string
#content of info property as string. This is what I want to feed to nokogiri as xml
puts node[0]['info'].text   

我该怎么做?

5 个答案:

答案 0 :(得分:3)

您需要获取info属性的文本,并使用GCI类来取消HTML。然后,您可以将字符串提供给Nokogiri::HTML,它将被解析。这样的事情。

require "nokogiri"
require "open-uri"
require "cgi"

doc = Nokogiri::HTML(open-uri("http://example.com/foo.xml"))
node = doc.xpath("//houses/reg")
info_string = CGI.unescapeHTML(node[0]['info'])
info_doc = Nokogiri::XML(info_string)
# Now you can have a Nokogiri document from that attribute.

答案 1 :(得分:0)

require 'nokogiri'

xml = "<all>
    <houses>
        <reg info='<root><h level=\"2\" i=\"1\"> something </h><root>' 
             other=\"test\"
             something
        </reg>
    </houses>
</all>"

doc = Nokogiri::HTML(xml)
node = doc.xpath('//houses/reg')
puts node[0]['info'].class  #string
puts node[0]['info']

inner_xml = node[0]['info']
inner_doc = Nokogiri::XML(inner_xml)
puts inner_doc.xpath('root/h')[0].text

答案 2 :(得分:0)

以下是需要注意的事项:

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<all>
  <houses>
    <reg info='<root><h level="2" i="1"> something </h><root>' 
          other="test"
          something
    </reg>
  </houses>
</all>
EOT

doc.errors  # => [#<Nokogiri::XML::SyntaxError: Unescaped '<' not allowed in attributes values>, #<Nokogiri::XML::SyntaxError: attributes construct error>, #<Nokogiri::XML::SyntaxError: Couldn't find end of Start Tag reg line 3>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and reg>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and houses>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: houses line 2 and all>, #<Nokogiri::XML::SyntaxError: Premature end of data in tag all line 1>]
doc.at('reg')['info'] # => ""
puts doc.to_xml

# >> <?xml version="1.0"?>
# >> <all>
# >>   <houses>
# >>     <reg info=""/><root><h level="2" i="1"> something </h><root>' 
# >>           other="test"
# >>           something
# >>     </root>
# >>   </root>
# >> </houses>
# >> </all>

解析XML通常应使用Nokogiri::XML,因为XML是严格的规范。此标记格式不正确,Nokogiri将正确标记错误,并且因为格式错误将尝试修复它并继续解析。

使用Nokogiri::HTML放松缰绳,让解析器对它看到的内容更加宽容;众所周知,HTML写得非常糟糕,所以Nokogiri试图更加宽容:

doc = Nokogiri::HTML(<<EOT)
<all>
  <houses>
    <reg info='<root><h level="2" i="1"> something </h><root>' 
          other="test"
          something
    </reg>
  </houses>
</all>
EOT

doc.errors  # => [#<Nokogiri::XML::SyntaxError: Tag all invalid>, #<Nokogiri::XML::SyntaxError: Tag houses invalid>, #<Nokogiri::XML::SyntaxError: error parsing attribute name>, #<Nokogiri::XML::SyntaxError: Tag reg invalid>]
doc.at('reg')['info'] # => "<root><h level=\"2\" i=\"1\"> something </h><root>"
puts doc.to_xml


# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> <all>
# >>   <houses>
# >>     <reg info='&lt;root&gt;&lt;h level="2" i="1"&gt; something &lt;/h&gt;&lt;root&gt;' other="test" something>
# >>   </reg></houses>
# >> </all>
# >> </body></html>

注意Nokogiri现在如何:

  • 正确地将HTML编码为info
  • 的内容
  • 正确提取和解码info
  • 的内容

我不确定Nokogiri的行为是否因为最初被问到的问题而改变了,但是v.1.6.7.2中的当前行为正确地处理了解码而无需使用CGI。

答案 3 :(得分:0)

以下是需要注意的事项:

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<all>
  <houses>
    <reg info='<root><h level="2" i="1"> something </h><root>' 
          other="test"
          something
    </reg>
  </houses>
</all>
EOT

doc.errors  # => [#<Nokogiri::XML::SyntaxError: Unescaped '<' not allowed in attributes values>, #<Nokogiri::XML::SyntaxError: attributes construct error>, #<Nokogiri::XML::SyntaxError: Couldn't find end of Start Tag reg line 3>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and reg>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and houses>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: houses line 2 and all>, #<Nokogiri::XML::SyntaxError: Premature end of data in tag all line 1>]
doc.at('reg')['info'] # => ""
puts doc.to_xml

# >> <?xml version="1.0"?>
# >> <all>
# >>   <houses>
# >>     <reg info=""/><root><h level="2" i="1"> something </h><root>' 
# >>           other="test"
# >>           something
# >>     </root>
# >>   </root>
# >> </houses>
# >> </all>

解析XML通常应使用Nokogiri::XML,因为XML是严格的规范。此标记格式不正确,Nokogiri将正确标记错误,并且因为格式错误将尝试修复它并继续解析。

使用Nokogiri::HTML放松缰绳,让解析器对它看到的内容更加宽容;众所周知,HTML写得非常糟糕,所以Nokogiri试图更加宽容:

doc = Nokogiri::HTML(<<EOT)
<all>
  <houses>
    <reg info='<root><h level="2" i="1"> something </h><root>' 
          other="test"
          something
    </reg>
  </houses>
</all>
EOT

doc.errors  # => [#<Nokogiri::XML::SyntaxError: Tag all invalid>, #<Nokogiri::XML::SyntaxError: Tag houses invalid>, #<Nokogiri::XML::SyntaxError: error parsing attribute name>, #<Nokogiri::XML::SyntaxError: Tag reg invalid>]
doc.at('reg')['info'] # => "<root><h level=\"2\" i=\"1\"> something </h><root>"
puts doc.to_xml


# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> <all>
# >>   <houses>
# >>     <reg info='&lt;root&gt;&lt;h level="2" i="1"&gt; something &lt;/h&gt;&lt;root&gt;' other="test" something>
# >>   </reg></houses>
# >> </all>
# >> </body></html>

注意Nokogiri现在如何:

  • 正确地将HTML编码为info
  • 的内容
  • 正确提取和解码info
  • 的内容 由于将内容解析为HTML,
  • 已将XML包装在HTML <html><body>标记中。

要提取固定的XML,需要剥离几层:

puts doc.at('all').to_xml

# >> <all>
# >>   <houses>
# >>     <reg info="&lt;root&gt;&lt;h level=&quot;2&quot; i=&quot;1&quot;&gt; something &lt;/h&gt;&lt;root&gt;" other="test" something="">
# >>   </reg></houses>
# >> </all>

我不确定Nokogiri的行为是否因为最初被问到的问题而改变了,但是v.1.6.7.2中的当前行为正确地处理了解码而无需使用CGI。

答案 4 :(得分:-1)

node[0].attr('info')为您提供信息属性

的值