保留HTML页面的结构,删除所有文本节点

时间:2010-12-25 10:34:45

标签: ruby nokogiri

我想删除我用nokogiri加载的html页面中的所有文本。例如,如果页面具有以下内容:

<body><script>var x = 10;</script><div>Hello</div><div><h1>Hi</h1></div></body>

我想用Nokogiri处理它并在剥离文本之后返回如下所示的html:

<body><script>var x = 10;</script><div></div><div><h1></h1></div></body>

(即删除实际的h1文本,div之间的文本,p元素中的文本等,但保留标记。另外,不要删除脚本标记中的文本。)

1 个答案:

答案 0 :(得分:3)

require 'nokogiri'
html = "<body><script>var x = 10;</script><div>Hello</div><div><h1>Hi</h1></div></body>"
hdoc = Nokogiri::HTML(html)
hdoc.xpath( '//*[text()]' ).each do |el|
  el.content='' unless el.name=="script"
end

puts hdoc
#=> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
#=> <html><body>
#=> <script>var x = 10;</script><div></div>
#=> <div><h1></h1></div>
#=> </body></html>

警告:由于您未指定如何处理<div>foo<h1>bar</h1></div>之类的案例,上述内容可能会或可能不会达到预期效果。或者,以下内容可能符合您的需求:

hdoc.xpath( '//text()' ).each do |el|
  el.remove unless el.parent.name=="script"
end

更新

这是一个更优雅的解决方案,使用单个xpath选择不属于<script>元素的所有文本节点。我添加了更多文本节点来显示它如何处理它们。

require 'nokogiri'
hdoc = Nokogiri::HTML <<ENDHTML
  <body>
  <script>var x = 10;</script>
  <div>Hello</div>
  <div>foo<h1>Hi</h1>bar</div>
  </body>
ENDHTML
hdoc.xpath( '//text()[not(parent::script)]' ).each{ |text| text.remove }
puts hdoc
#=> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
#=> <html><body>
#=> <script>var x = 10;</script><div></div>
#=> <div><h1></h1></div>
#=> </body></html>

对于Ruby 1.9,肉更简单:

hdoc.xpath( '//text()[not(parent::script)]' ).each(&:remove)