Cómo evitar que Nokogiri agregue etiquetas <DOCTYPE>?

Noté algo extraño al usar Nokogiri recientemente. Todo el HTML que había estado analizando había recibido etiquetas de inicio y fin <html> y <body>.Cómo evitar que Nokogiri agregue etiquetas <DOCTYPE>?

<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body>\n

¿Cómo puedo evitar que Nokogiri haga esto?

IE, cuando lo haga:

doc = Nokogiri::HTML("<div>some content</div>") 
doc.to_s

doc.to_html

consigo el original:

<html blah><body>div>some content</div></body></html>

Fuente

2011-01-18 holden

la versión de Nokogiri? – shingara

nokogiri (1.4.3.1) – holden

El método to_s en un Nokogiri::HTML::Document da salida a una página HTML válido, completo con sus elementos requeridos. Esto no es necesariamente lo que se pasó al analizador.

Si desea generar un resultado inferior a un documento completo, utilice métodos como inner_html, inner_text, etc., en un nodo.

Editar: si no está esperando analizar un documento XML completo y bien formado como entrada, entonces la respuesta de TheMan es la mejor.

Fuente

2011-01-18 13:27:49

El problema ocurre porque está utilizando el método incorrecto en Nokogiri para analizar su contenido.

require 'nokogiri' 

doc = Nokogiri::HTML('<p>foobar</p>') 
puts doc.to_html 
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd"> 
# >> <html><body><p>foobar</p></body></html>

En lugar de utilizar HTML que se traduce en un documento completo, utilice HTML.fragment, que dice Nokogiri sólo desea que el fragmento analizado:

doc = Nokogiri::HTML.fragment('<p>foobar</p>') 
puts doc.to_html 
# >> <p>foobar</p>

Fuente

2011-06-19 08:12:18

Esta es la respuesta correcta. Haga caso omiso de la respuesta a continuación. ¿Puedes seleccionar tu propia respuesta como la respuesta correcta? Eso es simplemente extraño. – rainkinz

Solo para el registro, la respuesta a la cual se refiere rainkinz que debe descartarse ha sido eliminada :) –

Gracias hombre! Esta es la respuesta correcta. –

Cómo evitar que Nokogiri agregue etiquetas <DOCTYPE>?

Respuesta

Cuestiones relacionadas