使用 nokogiri 去除样式属性
Posted
技术标签:
【中文标题】使用 nokogiri 去除样式属性【英文标题】:Strip style attributes with nokogiri 【发布时间】:2011-08-31 01:54:36 【问题描述】:我正在用 nokogiri 抓取一个 html 页面,我想去掉所有样式属性。 我怎样才能做到这一点? (我没有使用 Rails,所以我不能使用它的 sanitize 方法,我不想使用 sanitize gem,因为我想将黑名单删除而不是白名单)
html = open(url)
doc = Nokogiri::HTML(html.read)
doc.css('.post').each do |post|
puts post.to_s
end
=> <p><span style="font-size: x-large">bla bla <a href="http://torrentfreak.com/netflix-is-killing-bittorrent-in-the-us-110427/">statistica</a> blabla</span></p>
我希望它是
=> <p><span>bla bla <a href="http://torrentfreak.com/netflix-is-killing-bittorrent-in-the-us-110427/">statistica</a> blabla</span></p>
【问题讨论】:
【参考方案1】:require 'nokogiri'
html = '<p class="post"><span style="font-size: x-large">bla bla</span></p>'
doc = Nokogiri::HTML(html)
doc.xpath('//@style').remove
puts doc.css('.post')
#=> <p class="post"><span>bla bla</span></p>
编辑显示您可以只调用NodeSet#remove
而不必使用.each(&:remove)
。
请注意,如果您有 DocumentFragment 而不是 Document,则 Nokogiri 有a longstanding bug,从片段中搜索不会像您预期的那样工作。解决方法是使用:
doc.xpath('@style|.//@style').remove
【讨论】:
使用doc.xpath('.//@style').remove
删除所有节点的所有内联样式,注意@bricker 开头提到的.
。链 .to_s
以获取生成的 html 字符串。
更正:不要链接它,而是使用 description.to_s
来获取生成的 html 字符串。如果您不想要DOCTYPE
,您应该改用Nokogiri::HTML.fragment
方法,请参阅***.com/questions/4723344/…【参考方案2】:
这适用于文档和文档片段:
doc = Nokogiri::HTML::DocumentFragment.parse(...)
或
doc = Nokogiri::HTML(...)
要删除所有的'style'属性,你可以做一个
doc.css('*').remove_attr('style')
【讨论】:
【参考方案3】:我尝试了 Phrogz 的答案,但无法让它工作(虽然我使用的是文档片段,但我认为它应该也能工作?)。
开头的“//”似乎并没有像我预期的那样检查所有节点。最后我做了一些更冗长的事情,但它奏效了,所以在这里记录一下,以防其他人有同样的麻烦是我的解决方案(虽然它很脏):
doc = Nokogiri::HTML::Document.new
body_dom = doc.fragment( my_html )
# strip out any attributes we don't want
body_dom.xpath( './/*[@align]|*[@align]' ).each do |tag|
tag.attributes["align"].remove
end
【讨论】:
这也可能有效:body_dom.xpath('.//@class')
(注意 xpath 开头的额外点)
Nokogiri 和/或 LibXML2 有 a bug with XPath inside fragments。正如您所指出的,当前片段的最佳解决方法是:您必须使用 foo|.//foo
而不是 //foo
。以上是关于使用 nokogiri 去除样式属性的主要内容,如果未能解决你的问题,请参考以下文章