使用Nokogiri解析HTML（不遵循HTML语义）

我有一个包含以下数据的HTML文档：

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

当我检查数据库时，我只得到外部的

标记：

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

没有存储或检索内部标签内容

---

我知道

标签不能包含

标签，但是我们从客户那里得到的文档有数据，大约有1000个文档有数据，因此我无法手动编辑它们

尝试使用

Nokogiri:：XML

解析器而不是

Nokogiri:：HTML

解析器。它不应该关心标记语义，但我不确定它将如何处理HTML5中那些无效XML的部分。

我最终使用

Nokogiri:：XML

解析器解析

HTML

文档

我不得不在很多地方修改剧本

解析代码

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

已完成的更改

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

• 将

  属性

  方法更改为

  attr

• 这里不需要使用

  text

  方法链接

  attr

• 但是需要检查一下无效的HTML5标记
• 需要对解析逻辑进行更多的更改

• node.to_html

  在这里很有魅力，所以我可以在db中存储完整的html

---

@Pete再次要将p标签转换为div，我必须使用nokogiri，因为p标签节点内没有内容，转换后的div标签也没有内容。想法？确切地说，我将不得不改变数千行的整个脚本：（如果我试图将其解析为xmlInvalid HTML，则会在

errors

中修复并标记它。无效的HTML5标记在XML中并不重要，除非它们在语法上有错误，在这种情况下，它们也会被修复并标记。XML不像HTML那样赋予标记特殊的含义，因此它应该只关心标记是否正确嵌套和关闭。