使用 Nokogiri（而不是 Tidy）清理 HTML答案

【问题标题】：Cleaning HTML with Nokogiri (instead of Tidy)使用 Nokogiri（而不是 Tidy）清理 HTML
【发布时间】：2011-04-07 17:08:44
【问题描述】：

tidy gem 不再维护，存在多个内存泄漏问题。

有人建议使用 Nokogiri。

我目前正在使用以下方法清理 HTML：

Nokogiri::HTML::DocumentFragment.parse(html).to_html

我有两个问题：

Nokogiri 删除了DOCTYPE
有没有一种简单的方法可以强制清理后的 HTML 具有 html 和 body 标签？

【问题讨论】：

标签： ruby nokogiri tidy

【解决方案1】：

如果您正在处理完整的文档，您需要：

Nokogiri::HTML(html).to_html

这将强制使用html 和body 标签，并引入或保留DOCTYPE：

puts Nokogiri::HTML('<p>Hi!</p>').to_html
#=> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN"
#=>  "http://www.w3.org/TR/REC-html40/loose.dtd">
#=> <html><body><p>Hi!</p></body></html>

puts Nokogiri::HTML('<!DOCTYPE html><p>Hi!</p>').to_html
#=> <!DOCTYPE html>
#=> <html><body><p>Hi!</p></body></html>

请注意，不保证输出在语法上有效。例如，如果我提供一个损坏的文档并声称它是 HTML4.01 严格的，Nokogiri 将输出一个具有该 DOCTYPE 但没有必需的<head><title>...</title></head> 部分的文档：

dtd = '<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">'
puts Nokogiri::HTML("#{dtd}<p>Hi!</p>").to_html
#=> <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN"
#=>  "http://www.w3.org/TR/html4/strict.dtd">
#=> <html><body><p>Hi!</p></body></html>

【讨论】：

哇。我应该看起来更努力一点。谢谢一堆。 :) 顺便说一句，你对 Nokogiri 与 Tidy 的表现有何不同？或者你有一个更好地清理 HTML 的 Ruby 库的建议？
@Christian 我没有使用 Tidy、Rubyful Soup、Hpricot 或任何其他用于整理 HTML 的库的经验。 Nokogiri 是我为所有 HTML 和 XML 选择的工具包，尽管我几乎总是在处理语法上有效的标记。

【解决方案2】：

可能不支持 Tidy gem，但底层的 tidy app is maintained，这才是你真正需要的。它很灵活，并且有相当多的list of options。

您可以通过多种不同的方式将 HTML 传递给它，并在 .tidyrc 文件中定义其配置或在命令行上传递它们。您可以使用 Ruby 的 %x{} 向其传递文件或使用 IO.popen 或 IO.pipe 将其视为管道。

【讨论】：

是的，这是我想到的另一个选择，但我想避免每次都创建子流程。
然后使用 IO.pipe 并保持打开状态。在整个应用会话中，您只需执行一次。
@Christian Joudrey 我刚刚发现有人正在为 Ruby 做一个新的整理工作：github.com/carld/tidy