使用 Nokogiri 解析 HTML（不遵循 HTML 語義）

Question

我有一個包含數據的 HTML 文檔：

<div>
    <p class="someclass">
        <ul>
            <li>Item 1</li>
            <li>Item 2</li>
        </ul>
    </p>
</div>

解析時我使用：

div_node.children.each do |child|
  if child.node_name == 'p'
    #store it as html string in db
    store(child.to_html)
  end
end

當我檢查數據庫時，我只得到外面的<p>標簽：

<p class="someclass">
</p>

沒有存儲或檢索內部<ul>標簽內容。

我知道<p>標簽不能包含<ul>標簽，但是我們從客戶端得到的文檔有數據，並且有大約 1000 個帶有數據的文檔，所以我無法手動編輯它們

Answer 1

嘗試使用Nokogiri::XML解析器而不是Nokogiri::HTML解析器。 它不應該關心標簽語義，但我不確定它將如何處理 HTML5 中不是有效 XML 的那些部分。

Answer 2

我最終使用Nokogiri::XML解析器來解析HTML文檔

我不得不在很多地方更改我的腳本

解析代碼

@xml_doc = Nokogiri::XML.parse(file) { |cfg| cfg.noblanks }
@xml_doc.remove_namespaces!

更改完成

• 將attribute方法更改為attr
• 這里不需要用text方法鏈接attr
• 雖然需要檢查無效的 HTML5 標簽
• 需要更多的解析邏輯更改
• node.to_html在這里就像一個魅力，所以我能夠在 db 中存儲完整的 HTML