解析HTML（不遵循HTML語義）使用引入nokogiri

Question

我有一個包含一個HTML文檔數據：

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

在解析使用：

div_node.children.each do |child| 
    if child.node_name == 'p' 
    #store it as html string in db 
    store(child.to_html) 
    end 
end 

當我檢查數據庫，我只得到外<p>標籤：

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

沒有內<ul>標籤內容被存儲或保留rieved。

我知道<p>標籤不能包含<ul>標籤，但我們從客戶得到的文檔中有數據，有大約1000個文檔與數據，所以我不能編輯手動

Answer 1

我結束了使用Nokogiri::XML解析器解析HTML DOC

我曾在許多地方

解析代碼

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

變化完成

改變我的腳本

• 變化attribute方法attr
• 與text方法在這裏並不需要鏈接attr
• 需要檢查一下，雖然
• 一些更多的分析邏輯變化需要
• node.to_html的作品就像一個魅力在這裏無效HTML5標籤所以我能夠存儲完整的HTML分貝

Answer 2

嘗試使用Nokogiri::XML解析器而不是Nokogiri::HTML之一。它不應該關心標籤語義，但我不確定它將如何處理那些不是有效的XML的HTML5部分。