Question

我有一些示例HTML，我已经用一些特殊的标签标记了将被其他程序使用，html的示例如下所示。您应该注意<START:organization>..<END>元素。

<html>
<head/>
<body>
  <ul>
    <li> <START:organization> Advanced Integrated Pest Management <END> </li>
    <li> <START:organization> American Bakers Association <END> </li>
  </ul>
</body>
</html>

我想使用Nokogiri预处理HTML，以便轻松删除不相关的标签，例如<script>。我为Nokogiri Document类创建了以下扩展：

module Nokogiri
  module HTML
    class Document
      def prepare_html
        xpath("//script").remove
        to_html.remove_new_lines
      end
    end
  end
end

问题是Nokogiri正在将<START:organization>元素更改为<organization>。

我是否可以保留HTML以维护我的自定义标记标记？

Answer 1

远景，但尝试修补Nokogiri :: XML :: Document和/或使用to_xml - 名称空间在HTML中无效，所以我猜Nokogiri不会解析/生成它们。

当然，您的<END>标记也不是有效的XML，因此您的文档在任何一种标准中都无效。

Answer 2

如果您的标记有效，您可以使用XML解析器而不是HTML解析器来解析它。

编辑：刚刚意识到这一点：

<START:organization>..<END>

这里有几个问题。首先，开始和结束标记不匹配。如果开始标记是'then it should be terminated by`。其次，在节点名称中使用冒号在XML中具有一定的含义 - 即第一部分是命名空间而第二部分是节点名称。在这种情况下，您应该使用名为“organization”的标记，或者将其包含在属性中。第一个可能是最有意义的。所以：

<organization>..</organization>

如果你不能改变它，那么就不能使用XML / HTML解析器，因为它不是有效的XML也不是HTML。

Answer 3

像其他两个人所说的那样，如果你的输入不是标准的XML，也不是HTML，你真的不希望设计一个解析器来工作。

然而，您可以执行以下操作之一：

攻击Nokogiri为此工作案例
改变你的其他节目使用（好奇它是什么）来遵循标准
单独写您正在使用的DSL的解析器

在Nokogiri HTML中保留自定义元素的名称空间

3 个答案: