使用 ruby 核心库解析 HTML？（即，不需要宝石）答案

【问题标题】：Parse HTML using ruby core libraries? (ie, no gems required)使用 ruby 核心库解析 HTML？（即，不需要宝石）
【发布时间】：2012-02-25 15:19:32
【问题描述】：

我和一些朋友一直在编写一组脚本，以便更轻松地在 uni 的机器上工作。其中一个工具目前使用 Nokogiri，但是为了让这些工具在所有机器上运行时尽可能少的设置，我们一直在尝试找到一个“本机”html 解析器，而不是要求用户安装 RVM 和自定义 gem (由于大多数用户的磁盘空间限制）。

我们是否仅限于 Nokogiri/Hpricot/？我们是否应该只考虑编写符合我们需求的自定义解析器？

干杯。

编辑：如果这里有我在搜索中遗漏的帖子，请告诉我！所以。有时太大而无法有效地找到东西......

【问题讨论】：

鉴于 gem 都是开源的，您可以随时从 gem 中提取您需要的内容并在自定义解析器中使用它，然后您只需提供自己的代码...
我确实建议不要自己写。
使用现有的解决方案会更可靠。 @MarcTalbot 上面所说的很关键：如果 gem 是开源的，您可以将源代码复制到您的应用程序中（假设您不需要非 GPL 库）。
可能重复 Q:stackoverflow.com/questions/2554909/…
是的，我们唯一的问题是整套工具目前大约 5MB，因此添加所有用于 nokogiri 的库（例如）会使包增加到大约 7MB。我们希望可能有一些小东西！不过不用担心，我会看看使用打包的现有东西。

【解决方案1】：

ruby 标准库中没有 html 解析器
html 解析器必须比 xml 解析器更能容忍错误的标记

你可以运行 html 虽然很整洁 (http://tidy.sourceforge.net)
整理 html 并生成有效的标记
现在可以通过 stdlib 中的 rexml 读取 :-)

rexml 比 nokogiri 慢得多，上次检查是在 2009 年
Sam Ruby 一直致力于让 rexml 更快

更好的方法是进行更好的部署
看看http://gembundler.com/bundle_package.html 并使用 capistrano（或类似的）来配置服务器

【讨论】：

谢谢，部署的问题是工具在大学管理的机器上运行，所以如果我们必须安装任何东西，它必须在用户主目录中发生，这限制在一定数量空间：很少有人有足够的空间来安装带有自定义 gem 的 RVM 之类的东西。这也是纯 ruby，而不是 Rails。
另一种选择可能是创建和使用 API。优点是代码仅部署在一台机器上 - 因此节省空间。但对 api 调用的速度进行基准测试
这些不是那种工具——它是命令行实用程序，可以将lpr 包装成一个易于使用的工具。不过还是谢谢。