解析HTML（不遵循HTML语义）使用引入nokogiri

Question

我有一个包含一个HTML文档数据：

<div> 
    <p class="someclass"> 
     <ul> 
      <li>Item 1</li> 
      <li>Item 2</li> 
     </ul> 
    </p> 
</div> 

在解析使用：

div_node.children.each do |child| 
    if child.node_name == 'p' 
    #store it as html string in db 
    store(child.to_html) 
    end 
end 

当我检查数据库，我只得到外<p>标签：

<p class="someclass"> 
</p> 

没有内<ul>标签内容被存储或保留rieved。

我知道<p>标签不能包含<ul>标签，但我们从客户得到的文档中有数据，有大约1000个文档与数据，所以我不能编辑手动

Answer 1

我结束了使用Nokogiri::XML解析器解析HTML DOC

我曾在许多地方

解析代码

@xml_doc = Nokogiri::XML.parse(file) { |cfg| cfg.noblanks } 
@xml_doc.remove_namespaces! 

变化完成

改变我的脚本

• 变化attribute方法attr
• 与text方法在这里并不需要链接attr
• 需要检查一下，虽然
• 一些更多的分析逻辑变化需要
• node.to_html的作品就像一个魅力在这里无效HTML5标签所以我能够存储完整的HTML分贝

Answer 2

尝试使用Nokogiri::XML解析器而不是Nokogiri::HTML之一。它不应该关心标签语义，但我不确定它将如何处理那些不是有效的XML的HTML5部分。