如何使用 Nokogiri 正确修复未闭合的 HTML 标签
我很难获取网站生成的 HTML。HTML 包含一些未封闭的标签。
例如：
<div>
<li>
<div>
<div>
test
</div>
<li>
<div>
test
</div>
解析 HTML：
html = Nokogiri::HTML(open('origin.html'))
结果是：
或者，在 HTML 中：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body>
<div>
<li>
<div>
<div>
test
</div>
<li>
<div>
test
</div>
</li>
</div>
</li>
</div>
</body>
</html>
我相信正确的事情应该是这样的：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<body>
<div>
<li>
<div>
<div>
test
</div>
</div>
</li>
<li>
<div>
test
</div>
</li>
</div>
</body>
</html>
知道如何解决这个问题吗？换别的宝石？在解析之前使用正则表达式更改 HTML？
您可以查看使用Nokogumbo ，它将Googles\xe2\x80\x99 Gumbo HTML5 解析器附加到 Nokogiri。然后，这将在解析格式错误的 HTML 时使用 HTML5 纠错算法，而不是执行我的 Nokogiri 和 libxml 的默认解析，并且将导致解析的 HTML 更接近您期望从浏览器看到的内容。
\n\nHere\xe2\x80\x99s 是一个示例irb会话，显示它如何处理示例 HTML 并生成您想要的结果。请注意，方法名称为HTML5，并且仍然在模块上调用Nokogiri。
>> require \'nokogumbo\'\n=> true\n>> s = <<EOT\n<div>\n <li>\n <div>\n <div>\n test\n </div>\n\n <li>\n <div>\n test\n </div>\nEOT\n=> "<div>\\n <li>\\n <div>\\n <div>\\n test\\n </div>\\n\\n <li>\\n <div>\\n test \\n </div>\\n"\n>> puts Nokogiri.HTML5(s).to_html\n<html>\n<head></head>\n<body><div>\n <li>\n <div>\n <div>\n test\n </div>\n\n </div>\n</li>\n<li>\n <div>\n test\n </div>\n</li>\n</div></body>\n</html>\n=> nil\n