我看过"如何使用Ruby或Nokogiri获取页面的原始HTML源代码?"它使用了这样的东西:
file = open("index.html")
puts file.read
page = Nokogiri::HTML(file)
但它似乎将读取点移动到文件的末尾,以便Nokogiri无法再读取文件。如果我交换read
和Nokogiri呼叫:
file = open("index.html")
puts file.read
page = Nokogiri::HTML(file)
不再输出该文件。我希望能够向Nokogiri查询它最初使用的HTML,以便我可以对原始源代码进行自己的额外解析。理想情况下,我想要类似的东西
file = open("index.html")
page = Nokogiri::HTML(file)
raw_html = page.html
注意:我也尝试过page.to_html
,但它似乎略微改变了格式。
您通常会传递一个File
实例,以便它可以由块处理,但传递字符串也可以:
html = File.read("index.html")
page = Nokogiri::HTML(html)
page_html = page.html
> 仅供参考: 您还可以要求 Nokogiri 在 Nokogiri 解析文档后或修改后返回文档的 HTML(或 XML,如果这是您正在使用的文档):
doc = Nokogiri::HTML('<head><body>foo</body></head>')
puts doc.to_html
这将在撬中输出:
[4] (pry) main: 0> puts doc.to_html
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head><meta http-equiv="Content-Type" content="text/html; charset=UTF-8"></head>
<body>foo</body>
</html>
请注意,Nokogiri 做了一些修正,使 HTML "更好"。