使用 nokogiri 去除样式属性

Posted 2023-02-19

【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>

【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')

【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。