Ruby Hpricot RegEx将<BR>替换为<P>

OPs URL的内容似乎已经发生了变化,这在互联网上很常见,所以我拼凑了一些示例HTML来展示我将如何做。

而且 Nokogiri 是我推荐的Ruby HTML/XML解析器,因为它非常受支持、健壮且灵活。

require 'nokogiri'

html = <<EOT
<html>
<body>
  some<br><br>text
  <font>
    text wrapped with font
  </font>
  some<br>more<br>text
</body>
</html>
EOT

doc = Nokogiri::HTML(html)

# Replace all doubled-up <BR> tags with <P> tags, and remove fonts.
doc.search('br').each do |n|
  if (n.previous.name == 'br')
    n.previous.remove 
    n.replace('<p>')
  end
end

doc.search('font').each do |n|
  n.replace(n.content)
end

print doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >>   some<p></p>text
# >>   
# >>     text wrapped with font
# >>   
# >>   some<br>more<br>text
# >> </body></html>

我认为清理html文件的更好方法是漂亮的汤。我在python中使用它,它做得很好,因为它模拟了html浏览器的部分语义。

http://www.crummy.com/software/RubyfulSoup/

尽管它不会生成有效的HTML,但像这样的方法仍然有效:

require 'rubygems'
require 'hpricot'
require 'open-uri'

@file = Hpricot(open("http://www.bubl3r.com/article.html"))
puts @file.html.gsub('<br />', '<p>')