如何使用Nokogiri精美打印HTML？

Question

我在Ruby中编写了一个Web爬虫,我正在使用它Nokogiri::HTML来解析页面.我需要打印页面,在IRB中乱搞时我注意到了一种pretty_print方法.然而,它需要一个参数,我无法弄清楚它想要什么.

我的抓取工具正在缓存网页的HTML并将其写入本地计算机上的文件.我想"漂亮地打印"HTML,以便它在我这样做时看起来很好并且格式正确.

Answer 1

@mislav的答案有点不对劲.如果您:Nokogiri支持漂亮打印:

• 将文档解析为XML
• 指示Nokogiri在解析期间忽略仅空白节点("空白")
• 使用to_xhtml或to_xml指定漂亮的打印参数

在行动:

html = '<section>
<h1>Main Section 1</h1><p>Intro</p>
<section>
<h2>Subhead 1.1</h2><p>Meat</p><p>MOAR MEAT</p>
</section><section>
<h2>Subhead 1.2</h2><p>Meat</p>
</section></section>'

require 'nokogiri'
doc = Nokogiri::XML(html,&:noblanks)
puts doc
#=> <section>
#=>   <h1>Main Section 1</h1>
#=>   <p>Intro</p>
#=>   <section>
#=>     <h2>Subhead 1.1</h2>
#=>     <p>Meat</p>
#=>     <p>MOAR MEAT</p>
#=>   </section>
#=>   <section>
#=>     <h2>Subhead 1.2</h2>
#=>     <p>Meat</p>
#=>   </section>
#=> </section>

puts doc.to_xhtml( indent:3, indent_text:"." )
#=> <section>
#=> ...<h1>Main Section 1</h1>
#=> ...<p>Intro</p>
#=> ...<section>
#=> ......<h2>Subhead 1.1</h2>
#=> ......<p>Meat</p>
#=> ......<p>MOAR MEAT</p>
#=> ...</section>
#=> ...<section>
#=> ......<h2>Subhead 1.2</h2>
#=> ......<p>Meat</p>
#=> ...</section>
#=> </section>

Answer 2

通过HTML页面的"漂亮打印",我认为你的意思是你希望用适当的缩进重新格式化HTML结构.Nokogiri不支持这一点; pretty_printmethod用于"pp"库,输出仅用于调试.

有几个项目能够很好地理解HTML,能够在不破坏实际重要的空白(着名的HTML Tidy)的情况下对其进行重新格式化,但通过谷歌搜索,我发现这篇文章名为"使用Nokogiri和XSLT轻松打印XHTML".

归结为:

xsl = Nokogiri::XSLT(File.open("pretty_print.xsl"))
html = Nokogiri(File.open("source.html"))
puts xsl.apply_to(html).to_s

当然,它要求您将链接的xsl文件下载到文件系统.我在我的机器上很快就尝试过,它就像一个魅力.

Answer 3

这对我有用:

 pretty_html = Nokogiri::HTML(html).to_xhtml(indent: 3) 

我尝试了上面的REXML版本,但它损坏了我的一些文档.我讨厌将xslt带入一个新项目.两人都觉得过时了.:)