用Nokogiri编码怪异的HTML

Question

我不能使用xpath，因为编码很奇怪。我希望您能帮助我摆脱困境。

require "Nokogiri"
require "open-uri"
link = "http://www.arla.dk/Services/SearchService.asmx/RecipeResult?q=allRecipe&paging=6&include=&exclude=&area=recipeSearch&languageBranch=da"
doc = Nokogiri::HTML(open(link))
doc.xpath("//h2")

xpath方法返回一个空数组。看来该文档尚未正确解析。我认为这是由于被解析的文件包含编码字符：

<strong>Frokost til 8</strong>
<ul><li class='ingHeading'><strong><b>Flade

Answer 1

响应是xml，因此首先用nokogiri :: xml：

将其解析

xml = Nokogiri::XML open(link)

然后，第一个字符串包含一些HTML，因此可以用Nokogiri :: HTML

进行解析

doc = Nokogiri::HTML xml.at('string').text

现在您可以进行搜索：

doc.xpath '//h2'

Answer 2

如上所述，问题是HTML是编码的，这就是为什么您看到逃生序列的原因；例如，<代替<。要解决它，请访问html。

"我如何在Ruby中编码/解码HTML实体？基本上建议使用htmlentities。