使用 Nokogiri 禁用 XML 中的 HTML 转义

Question

我正在尝试从 Google Directions API 解析 XML 文档。

这是我到目前为止所得到的：

x = Nokogiri::XML(GoogleDirections.new("48170", "48104").xml)
x.xpath("//DirectionsResponse//route//leg//step").each do |q|
  q.xpath("html_instructions").each do |h|
    puts h.inner_html
  end
end

输出如下所示：

Head <b>south</b> on <b>Hidden Pond Dr</b> toward <b>Ironwood Ct</b>
Turn <b>right</b> onto <b>N Territorial Rd</b>
Turn <b>left</b> onto <b>Gotfredson Rd</b>
...

我希望输出是：

Turn <b>right</b> onto <b>N Territorial Rd</b>

问题似乎是 Nokogiri 在 xml 中转义了 html

我信任谷歌，但我认为进一步清理它也很好：

Turn right onto N Territorial Rd

但如果没有原始 xml，我就不能（也许使用清理）。有想法吗？

Answer 1

因为我没有安装 Google Directions API，所以无法访问 XML，但我强烈怀疑问题是由于告诉 Nokogiri 您正在处理 XML 而导致的。结果，它将返回 HTML 编码，就像 XML 中应有的那样。

您可以使用以下命令对 HTML 进行转义：

CGI::unescape_html('Head <b>south</b> on <b>Hidden Pond Dr</b> toward <b>Ironwood Ct</b>')
=> "Head <b>south</b> on <b>Hidden Pond Dr</b> toward <b>Ironwood Ct</b>\n"

unescape_html是以下的别名unescapeHTML：

对已进行 HTML 转义的字符串进行转义
  CGI::unescapeHTML("用法：foo "bar" <baz>")
     # => "用法: foo \"bar\" "

我必须再考虑一下这个问题。这是我遇到过的事情，但它是我在匆忙的工作中逃脱的事情之一。修复方法很简单：您使用了错误的方法来检索内容。代替：

puts h.inner_html

使用：

puts h.text

我用以下方法证明了这一点：

require 'httpclient'
require 'nokogiri'

# This URL comes from: https://developers.google.com/maps/documentation/directions/#XML
url = 'http://maps.googleapis.com/maps/api/directions/xml?origin=Chicago,IL&destination=Los+Angeles,CA&waypoints=Joplin,MO|Oklahoma+City,OK&sensor=false'
clnt = HTTPClient.new

doc = Nokogiri::XML(clnt.get_content(url))
doc.search('html_instructions').each do |html|
  puts html.text
end

哪个输出：

Head <b>south</b> on <b>S Federal St</b> toward <b>W Van Buren St</b>
Turn <b>right</b> onto <b>W Congress Pkwy</b>
Continue onto <b>I-290 W</b>
[...]

不同的是，inner_html是直接读取节点的内容，不进行解码。text为你解码。text，to_str并且在 Nokogiri::XML::Node 内部inner_text被别名content为我们的解析乐趣。