我用 Ruby 编写了一个网络爬虫，我正在使用 Nokogiri::HTML 来解析页面。我需要将页面打印出来，在 IRB 中乱搞时，我注意到了一个 pretty_print 方法。但是它需要一个参数，我无法弄清楚它想要什么。
我的爬虫正在缓存网页的 HTML 并将其写入本地计算机上的文件。我想“漂亮地打印”HTML，这样当我这样做时它看起来不错并且格式正确。
【问题讨论】：
标签： html ruby nokogiri pretty-print
更简单，效果很好
puts Nokogiri::HTML(File.read('terms.fr.html')).to_xhtml
【讨论】：
我知道我回答这个问题已经很晚了，但我仍然会留下答案。我尝试了上述所有步骤，并且在一定程度上确实有效。
Nokogiri 确实格式化了HTML，但不关心结束标签或开始标签，因此漂亮的格式不在图片中。
我发现了一个名为htmlbeautifier 的宝石，它的作用就像一个魅力。我希望仍在寻找答案的其他人会发现这很有价值。
【讨论】：
通过 HTML 页面的“漂亮打印”，我认为您的意思是您想用适当的缩进重新格式化 HTML 结构。 Nokogiri 不支持这个； pretty_print 方法适用于“pp”库，输出仅对调试有用。
有几个项目对 HTML 的理解足够好，能够在不破坏实际上很重要的空白的情况下重新格式化它（著名的是HTML Tidy），但通过谷歌搜索，我发现这篇文章的标题为"Pretty printing XHTML with Nokogiri and XSLT"。
归结为：
xsl = Nokogiri::XSLT(File.open("pretty_print.xsl"))
html = Nokogiri(File.open("source.html"))
puts xsl.apply_to(html).to_s
当然，它要求您将链接的 XSL 文件下载到您的文件系统。我已经在我的机器上很快尝试过了，它就像一个魅力。
【讨论】：
<p><span>pre</span>fix</p> 变为“预修复”）。
@mislav 的回答有些错误。 Nokogiri 确实支持漂亮的打印如果你：
to_xhtml 或to_xml 指定pretty-printing parameters
在行动：
html = '<section>
<h1>Main Section 1</h1><p>Intro</p>
<section>
<h2>Subhead 1.1</h2><p>Meat</p><p>MOAR MEAT</p>
</section><section>
<h2>Subhead 1.2</h2><p>Meat</p>
</section></section>'
require 'nokogiri'
doc = Nokogiri::XML(html,&:noblanks)
puts doc
#=> <section>
#=> <h1>Main Section 1</h1>
#=> <p>Intro</p>
#=> <section>
#=> <h2>Subhead 1.1</h2>
#=> <p>Meat</p>
#=> <p>MOAR MEAT</p>
#=> </section>
#=> <section>
#=> <h2>Subhead 1.2</h2>
#=> <p>Meat</p>
#=> </section>
#=> </section>
puts doc.to_xhtml( indent:3, indent_text:"." )
#=> <section>
#=> ...<h1>Main Section 1</h1>
#=> ...<p>Intro</p>
#=> ...<section>
#=> ......<h2>Subhead 1.1</h2>
#=> ......<p>Meat</p>
#=> ......<p>MOAR MEAT</p>
#=> ...</section>
#=> ...<section>
#=> ......<h2>Subhead 1.2</h2>
#=> ......<p>Meat</p>
#=> ...</section>
#=> </section>
【讨论】：
if false 以查看 change_language 网址如何加入。 （我的浏览器或 SO 有问题，不能用 @ 写你的用户名，它只是消失了，哈哈）
&:noblanks 的链接/来源？
Nokogiri.XML(…){|config| config.noblanks } 的 Ruby 快捷方式。 Nokogiri.XML() 方法被记录为Nokogiri::XML::Document.parse 的快捷方式。传递给方法的块是传递parse options的简写。
我的解决方案是将print 方法添加到实际的Nokogiri 对象上。在下面的 sn-p 中运行代码后，您应该能够编写 node.print，它会漂亮地打印内容。不需要 xslt :-)
Nokogiri::XML::Node.class_eval do
# Print every Node by default (will be overridden by CharacterData)
define_method :should_print? do
true
end
# Duplicate this node, replace the contents of the duplicated node with a
# newline. With this content substitution, the #to_s method conveniently
# returns a string with the opening tag (e.g. `<a href="foo">`) on the first
# line and the closing tag on the second (e.g. `</a>`, provided that the
# current node is not a self-closing tag).
#
# Now, print the open tag preceded by the correct amount of indentation, then
# recursively print this node's children (with extra indentation), and then
# print the close tag (if there is a closing tag)
define_method :print do |indent=0|
duplicate = self.dup
duplicate.content = "\n"
open_tag, close_tag = duplicate.to_s.split("\n")
puts (" " * indent) + open_tag
self.children.select(&:should_print?).each { |child| child.print(indent + 2) }
puts (" " * indent) + close_tag if close_tag
end
end
Nokogiri::XML::CharacterData.class_eval do
# Only print CharacterData if there's non-whitespace content
define_method :should_print? do
content =~ /\S+/
end
# Replace all consecutive whitespace characters by a single space; precede the
# outut by a certain amount of indentation; print this text.
define_method :print do |indent=0|
puts (" " * indent) + to_s.strip.sub(/\s+/, ' ')
end
end
【讨论】：
doc = Nokogiri::HTML(html_source); doc.elements.each {|elem| elem.print }。谢谢。
这对我有用：
pretty_html = Nokogiri::HTML(html).to_xhtml(indent: 3)
我尝试了上面的 REXML 版本，但它损坏了我的一些文档。而且我讨厌将 xslt 带入一个新项目。两人都觉得过时了。 :)
【讨论】：
<body> 和 <html> 标签，则添加这些标签。就我而言，我根本不需要它们。
你可以试试 REXML：
require "rexml/document"
doc = REXML::Document.new(xml)
doc.write($stdout, 2)
【讨论】：
为什么不试试pp 方法？
require 'pp'
pp some_var
【讨论】：