這裏有一些事情需要注意:
require 'nokogiri'
doc = Nokogiri::XML(<<EOT)
<all>
<houses>
<reg info='<root><h level="2" i="1"> something </h><root>'
other="test"
something
</reg>
</houses>
</all>
EOT
doc.errors # => [#<Nokogiri::XML::SyntaxError: Unescaped '<' not allowed in attributes values>, #<Nokogiri::XML::SyntaxError: attributes construct error>, #<Nokogiri::XML::SyntaxError: Couldn't find end of Start Tag reg line 3>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and reg>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: root line 3 and houses>, #<Nokogiri::XML::SyntaxError: Opening and ending tag mismatch: houses line 2 and all>, #<Nokogiri::XML::SyntaxError: Premature end of data in tag all line 1>]
doc.at('reg')['info'] # => ""
puts doc.to_xml
# >> <?xml version="1.0"?>
# >> <all>
# >> <houses>
# >> <reg info=""/><root><h level="2" i="1"> something </h><root>'
# >> other="test"
# >> something
# >> </root>
# >> </root>
# >> </houses>
# >> </all>
解析XML通常應當使用Nokogiri::XML
作爲XML是一個嚴格的規範。此標記格式不正確,Nokogiri會正確標記錯誤,並且由於格式錯誤會嘗試修復並繼續解析。
使用Nokogiri::HTML
放鬆了繮繩,並讓解析器對它所看到的更加寬大;是出了名寫的不好HTML所以引入nokogiri嘗試更寬鬆:
doc = Nokogiri::HTML(<<EOT)
<all>
<houses>
<reg info='<root><h level="2" i="1"> something </h><root>'
other="test"
something
</reg>
</houses>
</all>
EOT
doc.errors # => [#<Nokogiri::XML::SyntaxError: Tag all invalid>, #<Nokogiri::XML::SyntaxError: Tag houses invalid>, #<Nokogiri::XML::SyntaxError: error parsing attribute name>, #<Nokogiri::XML::SyntaxError: Tag reg invalid>]
doc.at('reg')['info'] # => "<root><h level=\"2\" i=\"1\"> something </h><root>"
puts doc.to_xml
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> <all>
# >> <houses>
# >> <reg info='<root><h level="2" i="1"> something </h><root>' other="test" something>
# >> </reg></houses>
# >> </all>
# >> </body></html>
注意如何引入nokogiri現在:
- 正確HTML編碼的
info
- 正確提取和
info
內容進行解碼的內容。
- 由於將內容解析爲HTML,因此將HTML中的XML封裝在HTML
<html><body>
標記中。
要提取固定的XML需要剝開幾個層次:
puts doc.at('all').to_xml
# >> <all>
# >> <houses>
# >> <reg info="<root><h level="2" i="1"> something </h><root>" other="test" something="">
# >> </reg></houses>
# >> </all>
我不知道,如果引入nokogiri的行爲改變,因爲這個問題原本問,但在v.1.6當前的行爲。 7.2無需使用CGI即可正確處理解碼。
通常使用HTML解析器來解析XML將是錯誤的,但在這種情況下,它有助於解析HTML解析更爲寬鬆。請參閱我對Nokogiri目前行爲的回答。 – 2016-06-03 20:14:22