Ruby：清理HTML，使用Hpricot还是只使用正则表达式？

我希望对HTML进行一些基本的清理。基本上，我们希望创建一个允许和拒绝任何其他标记的白名单

在这种情况下，Hpricot值得吗？它是否有一个我忽略了的功能，可以避免我重写车轮？还是最好只使用regex编写一个标签白名单，并通过它来传递一个HTML文档

---

使用HTML时，正则表达式可能会变得非常棘手，我知道很多专家都严格反对它——我只是在寻找阻力最小的路径。

阻力最小的路径一开始似乎是正则表达式，但当你通过它输入更多的文本时，你会意识到它会一次又一次地中断，为你做更多的工作。这就是为什么有经验的程序员知道使用XML/DOM解析器来解决这样一个常见的问题

我建议您使用Nokogiri而不是Hpricot，因为它更快，维护更好

---

Sanitize使用Nokogiri来完成您正在做的事情。

起初，阻力最小的路径似乎是regex，而且，对于您控制的内容非常简单的任务，使用它是安全的。一旦您的需求变得更加复杂，或者您正在解析无法控制的内容，regex可能会越来越失败。我写过spider、页面分析器和提要聚合器，还有一些格式严重错误的页面，一个好的解析器可以减轻处理大量不良内容的痛苦。