使用Nokogiri清洁HTML（而不是整洁）

tidygem不再维护，并且有多个内存泄漏问题。

有人建议使用Nokogiri。

我目前正在使用以下方法清理HTML：

Nokogiri::HTML::DocumentFragment.parse(html).to_html

我有两个问题：

• Nokogiri删除了DOCTYPE

• 是否有一种简单的方法可以强制清理HTML以获得html和body标签？

Answer 1

如果您正在处理完整文档，则需要：

 Nokogiri::HTML(html).to_html 

这将强制html和body标签，并引入或保留DOCTYPE ：

 puts Nokogiri::HTML('
Hi!
').to_html #=>  "http://www.w3.org/TR/REC-html40/loose.dtd"> #=> 
Hi!
 puts Nokogiri::HTML('
Hi!
').to_html #=>  #=> 
Hi! 

请注意，输出不保证在语法上有效。 例如，如果我提供一个破损的文档，并声称它是HTML4.01严格，Nokogiri将输出一个文档与该DOCTYPE但没有必要的部分：

 dtd = '' puts Nokogiri::HTML("#{dtd}
Hi!
").to_html #=>  "http://www.w3.org/TR/html4/strict.dtd"> #=> 
Hi! 

Answer 2

可能不支持Tidy gem，但维护了底层tidy应用程序 ，这就是您真正需要的。 它很灵活，有很多选项 。

您可以通过多种不同方式将HTML传递给它，并在.tidyrc文件中定义其配置或在命令行上传递它们。 您可以使用Ruby的%x{}将文件传递给它或使用IO.popen或IO.pipe将其视为管道。