Question

鉴于HTML电子邮件，我正在使用以下内容删除文本：

  body = body.gsub(/\\r\\n?/, "\n");
  body = body.gsub(/\\n\\n?/, "\n");
  body = simple_format(body)
  body = strip_tags(body)

但我现在看到一个标签通过了这个：

<!DOCTYPE HTML PUBLIC \"-//W3C//DTD HTML 4.01 Transitional//EN\">

这样的输出如下：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">

任何想法为什么？

Answer 1

我想对于strip_tags，看起来它已被弃用，认为doctype语句既不是标记也不是注释。你可以单独剥离它：

string.gsub（/＆LT;！？* $ /， ''）

Answer 2

我最终使用Hpricot发短信，工作得很好

Answer 3

我建议您使用Nokogiri来满足解析需求。它得到了很好的支持，快速，非常灵活，是许多其他HTML / XML类型宝石的基础。它有一个Hpricot模式，虽然我不确定为什么有人会需要它，因为它的语法更全功能。

特别是，要从HTML中删除代码，我建议您查看Loofah。它可以将标签列入白名单，并且可以进行多层清洁。