使用 Nokogiri 解析带有 xhtml:link 标签的 HTML？答案

【问题标题】：Using Nokogiri to parse HTML with xhtml:link tag?使用 Nokogiri 解析带有 xhtml:link 标签的 HTML？
【发布时间】：2014-06-18 10:09:08
【问题描述】：

我正在使用 Nokogiri gem 来解析 HTML 数据。

$ gem list nokogiri

*** LOCAL GEMS ***

nokogiri (1.6.2.1)

示例 HTML 是：

<html>
  <body>
    <xhtml:link>
      <div>
    Some content.
      </div>
    </xhtml:link>
  </body>
</html>

我来了

>>  doc.xpath('/html/body/xhtml:link/div')
Nokogiri::XML::XPath::SyntaxError: Undefined namespace prefix: /html/body/xhtml:link/div
    from /var/lib/gems/1.9.1/gems/nokogiri-1.6.2.1/lib/nokogiri/xml/node.rb:159:in `evaluate'
    from /var/lib/gems/1.9.1/gems/nokogiri-1.6.2.1/lib/nokogiri/xml/node.rb:159:in `block in xpath'
    from /var/lib/gems/1.9.1/gems/nokogiri-1.6.2.1/lib/nokogiri/xml/node.rb:150:in `map'
    from /var/lib/gems/1.9.1/gems/nokogiri-1.6.2.1/lib/nokogiri/xml/node.rb:150:in `xpath'
    from (irb):95
    from /usr/bin/irb:12:in `<main>'

可以在here找到完整的实时 HTML 页面示例

我怎样才能避免这个错误？

【问题讨论】：

不是真正的问题，但您似乎错过了关闭body 标签。
你不能doc.xpath('/html/body/link/div')吗？
我通过检查 Firebug 中的元素来获取 xpath。这适用于其他文档，但只要元素标签中有冒号“：”，就会出现上述错误。
您是在解析为 HTML 还是 XML？如果您解析为 HTML，那么 Nokogiri 会带有命名空间，所以您可以使用 link。

标签： html ruby xpath nokogiri

【解决方案1】：

您需要将 XML 命名空间（在您的示例中为 xhtml）添加到您的根元素，以便 Nokogiri 识别它，除非您这样做，否则 Nokogiri 将忽略它并出现该错误。

你可以这样做：

<html xmlns:xhtml="http://www.w3.org/1999/xhtml">
    <body>
        <xhtml:link>
            <div>Some content.</div>
        </xhtml:link>
    </body>
</html>

另请参阅 this 和 this 答案。

根据评论更新

我查看了 Nokogiri 文档，发现了两种解决方法，一种是传递命名空间：

doc.xpath('/html/body/xhtml:link/div', 'xhtml' => 'http://www.w3.org/1999/xhtml')

另一种是手动将该命名空间添加到根文档：

doc.root.add_namespace 'xhtml', 'http://www.w3.org/1999/xhtml'
doc.xpath('/html/body/xhtml:link/div')

虽然两种方式 do 都可以消除错误，但两种情况下的查询都只为我返回一个空数组，这与 xmlns 属性最初包含在文档中时发生的情况不同。

【讨论】：

我无法修改现有的 HTML，因为它来自外部源。那么我可以向 Nokigiri 提供命名空间，以便它可以在不修改 HTML 内容的情况下解析吗？

【解决方案2】：

您可以忽略命名空间，前提是您确定在同一上下文中没有同名的无前缀元素。命名空间影响元素和属性names。如果您使用node() 或* 选择它们，您可以在谓词中测试local-name()，而无需处理命名空间。

在您的示例中，您可以通过在 body 的上下文中选择 all 元素来选择 xhtml:link 元素，然后将结果集限制为仅具有 local -name 等于link:

doc.xpath('/html/body/*[local-name()="link"]/div')

如果它们出现在正文中，您可能选择不需要的 HTML <link> 元素（它们不应该存在，但 HTML 解析器不在乎它们是否存在）。但如果它们出现，它们应该是空元素。里面永远不会有<div>，所以你很安全。

【讨论】：

您可以使用doc.remove_namespaces! 轻松删除命名空间。