使用Ruby将HTML转换为纯文本？

Question

有没有什么可以将HTML转换为纯文本(也许是nokogiri脚本)？可以保持线条断裂的东西,但就是这样.

如果我在googledocs上写一些东西,像这样,并运行该命令,它输出(删除css和javascript),这:

\n\n\n\n\nh1. Test h2. HELLO THEREI am some teexton the next line!!!OKAY!#*!)$!

因此格式化全部搞砸了.我相信有人已经在某处解决了这些细节.

Answer 1

实际上,这更简单:

require 'rubygems'
require 'nokogiri'

puts Nokogiri::HTML(my_html).text

但是你仍然有换行问题,所以你必须弄清楚你想如何自己处理这些问题.

Answer 2

你可以从这样的事情开始:

require 'open-uri'
require 'rubygems'
require 'nokogiri'

uri = 'http://stackoverflow.com/questions/2505104/html-to-plain-text-with-ruby'
doc = Nokogiri::HTML(open(uri))
doc.css('script, link').each { |node| node.remove }
puts doc.css('body').text.squeeze(" \n")

Answer 3

简单地剥离标签和多余的换行符可以接受吗？

html.gsub(/<\/?[^>]*>/, '').gsub(/\n\n+/, "\n").gsub(/^\n|\n$/, '')

第一个剥离标签,第二个将重复的断行减少到一个,第三个删除字符串开头和结尾的换行符.