我有这个字符串
<?xml version="1.0" encoding="UTF-8"?>n<!DOCTYPE en-note SYSTEM "http://xml.evernote.com/pub/enml.dtd">nnn<en-note>n<font size="5">text_part_1</font><br><br>n<font size="5">text_part_2</font><br><br>n<font size="5">text_part_3</font>
我需要提取文本内容,还要保留<br>
元素。所以结果是
text_part_1<br><br>text_part_2<br><br>text_part_3
我怎么能用野村来做这件事?
问题的一部分是,您的XML是非法的。<br>
未终止;它应该是XML中的<br/>
,或者有一个结束标记,即</br>
。
因此,Nokogiri在尝试解析XML时引发了错误。如果你在解析后检查errors
方法,你会看到这样的东西:
[
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 7>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 7>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 6>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag br line 6>,
#<Nokogiri::XML::SyntaxError: Premature end of data in tag en-note line 5>
]
解决这个问题,Nokogiri将能够正确处理XML。到那时,你将能够做一些简单的事情,比如:
require 'nokogiri'
doc = Nokogiri::XML(<<EOT)
<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE en-note SYSTEM "http://xml.evernote.com/pub/enml.dtd">
<en-note>
<font size="5">text_part_1</font><br/><br/>
<font size="5">text_part_2</font><br/><br/>
<font size="5">text_part_3</font>
EOT
doc.search('br').each do |br|
br.replace('##br##')
end
text = doc.content.gsub('##br##', '<br/>')
puts text
以下是经过校正的br
标签的输出:
text_part_1<br/><br/>
text_part_2<br/><br/>
text_part_3
修复XML的最简单方法是在解析它之前运行一些清理代码,比如:
doc = Nokogiri::XML(xml.gsub('<br>', '<br/>'))
其中xml
是包含XML内容的变量。
怎么样:
html = "<?xml version="1.0" encoding="UTF-8"?>n<!DOCTYPE en-note SYSTEM "http://xml.evernote.com/pub/enml.dtd">nnn<en-note>n<font size="5">text_part_1</font><br><br>n<font size="5">text_part_2</font><br><br>n<font size="5">text_part_3</font>"
doc = Nokogiri::HTML(html)
str = ""
doc.traverse { |n| str << n.to_s if (n.name == "text" or n.name == "br") }
str #=> "text_part_1<br><br>text_part_2<br><br>text_part_3"