使用Ruby删除XML文档中除特定标记外的所有标记

Question

require 'nokogiri'
doc = Nokogiri::XML "<root>
    <a>foo<c>bar</c></a>
  <b>jim<d>jam></d></b>
  <a>more</a>
  <x>no no no</x>
</root>"
doc.css("a, b").each {|o| p o.to_s}
# "<a>foo<c>bar</c></a>"
# "<a>more</a>"
# "<b>jim<d>jam&gt;</d></b>"

如何使标签保持原来的顺序?或者也删除嵌套标签?

Answer 1

你可能想看看白名单/黑名单/擦洗宝石。我想到了消毒和丝瓜络。

来自消毒剂的描述:

给定一个可接受的元素和属性列表，Sanitize将从字符串中删除所有不可接受的HTML。

From Loofah的描述:

丝瓜络擅长HTML消毒(XSS预防)。它包括一些很好的HTML杀毒器，这些杀毒器基于HTML5lib的白名单，所以它很可能不会降低代码的安全性。(这些陈述没有经过Netexperts的评估。)

在任何一种情况下，他们将节省你重新发明轮子。

Answer 2

require 'nokogiri'
doc = Nokogiri::XML "
<root>
  <a>foo<c>bar</c></a>
  <b>jim<d>jam></d></b>
  <a>more</a>
  <x>no no no</x>
</root>"
doc.xpath('root//*[name()!="a"][name()!="b"]').remove
puts doc
#=> <?xml version="1.0"?>
#=> <root>
#=>   <a>foo</a>
#=>   <b>jim</b>
#=>   <a>more</a>
#=>   
#=> </root>

Answer 3

如果这只是顺序问题，并且您需要隔离的标签都不是嵌套的，那么在Nokogiri中使用XPath而不是CSS选择器应该会以与文档中相同的顺序返回标签:

doc.xpath("//a | //h3").each { |o| puts o }

我不确定这种行为是否在Nokogiri的任何规范中，所以你可能要小心，但根据我的经验，这是真的。

当然，如果你想要的标签是嵌套的，你可能需要定义"删除除某些标签外的所有标签"的含义(例如，存在于未删除标签及其内容中的已删除标签及其内容会发生什么，等等)。

如果您的需求非常复杂，以至于XPath查询无法满足您的需求，那么您可能需要使用doc.root.children之类的东西"遍历DOM"，并递归地检查每个节点的子节点。