Question

我正在尝试清理HTML文件但它无法正常工作。除了段落和换行标记之外，我想要完全是纯文本。这是我的清理代码（点表示我班级中与问题无关的其他代码）：

.
.
.
include ActionView::Helpers::SanitizeHelper
.
.
.
def remove_html(html_content)
    sanitized_content_1 = sanitize(html_content, :tags => %w(p br))
    sanitized_content_2 = Nokogiri::HTML(sanitized_content_1)
    sanitized_content_2.css("style","script").remove
    return sanitized_content_2
end

它无法正常工作。函数正在读取其输入的Here is the original HTML file和here is the "sanitized" code it is returning。它留在CSS标签，JavaScript和HTML评论标签的正文中。它可能会留在其他东西，我没有注意到。请告知如何彻底删除除段落和换行符之外的所有CSS，HTML和JavaScript？

Answer 1

我认为你不想消毒它。清理条带HTML，留下文本，除了您认为正确的HTML元素。它旨在允许用户输入字段包含一些标记。

相反，您可能想要解析它。例如，以下内容将在给定的html字符串中打印<p>标记的文本内容。

doc = Nokogiri::HTML.parse(html)

doc.search('p').each do |el|
  puts el.text
end

Answer 2

您也可以使用CGI名称空间进行清理。

require 'CGI'
str = "<html><head><title>Hello</title></head><body></body></html>"
p str
p CGI::escapeHTML str

运行此脚本，我们得到以下结果。

$ ruby sanitize.rb
"<html><head><title>Hello</title></head><body></body></html>"
"&lt;html&gt;&lt;head&gt;&lt;title&gt;Hello&lt;/title&gt;&lt;/head&gt;&lt;body&gt;&lt;/body&gt;&lt;/html&gt;"

Rails HTML Sanitizing

2 个答案: