使用ruby将HTML转换为纯文本并维护结构/格式

我想将html转换为纯文本。 我不想只删除标签，我想尽可能智能地保留尽可能多的格式。 为
标签插入换行符，检测段落并将其格式化，等等。

输入非常简单，通常是格式良好的html（不是整个文档，只是一堆内容，通常没有锚点或图像）。

我可以把几个正则表达式放在一起，让我80％，但想到可能有一些现有的解决方案具有更多的智能。

Answer 1

首先，不要试图使用正则表达式。 可能性非常好，你会想出一个脆弱/脆弱的解决方案，它会破坏HTML中的变化，或者很难管理和维护。

您可以使用Nokogiri解析HTML并提取文本，从而快速获得部分路径：

 require 'nokogiri' html = '   
This is some text.
 
This is some more text.
 
 This is preformatted text. 
   ' doc = Nokogiri::HTML(html) puts doc.text >> This is >> some text. >> This is some more text. >> >> This is >> preformatted >> text. 
 其工作原因是Nokogiri返回文本节点，这些节点基本上是标签周围的空白，以及标签中包含的文本。 如果你使用tidy的方式对HTML进行飞行前清理，你有时可以获得更好的输出。 
 问题是当您将解析器的输出或任何查看HTML的方法与浏览器显示的内容进行比较时。 浏览器关注的是以尽可能愉快的方式呈现HTML，而忽略了HTML可能会出现严重错误和破坏的事实。 解析器不是为此而设计的。 
 您可以在提取内容之前按下HTML以删除无关的换行符，例如"\n"和"\r" "\n" ，然后使用换行符替换
标记。 这里有很多问题，解释了如何用其他东西替换标签。 我认为Nokogiri网站也将其作为教程之一。 
 如果你真的想要做得对，你需要弄清楚你想要为


和


标签内的


 


标签以及表格做些什么。 
 另一种攻击方法是捕获其中一个文本浏览器的输出，如lynx。 几年前，我需要对没有使用Meta-Keyword标签的网站上的关键字进行文本处理，并找到一个允许我以这种方式获取渲染输出的文本浏览器。 我没有可用的源，所以我无法检查它是哪一个。