ruby-on-rails - Nokogiri:解析不规则 "<"

Question

我正在尝试使用 nokogiri 来解析以下片段

<tr>
 <th>Total Weight</th>
 <td>< 1 g</td>
 <td style="text-align: right">0 %</td>

</tr>             
<tr><td class="skinny_black_bar" colspan="3"></td></tr>

但是，我认为“< 1 g”中的“<”符号会导致 Nokogiri 问题。有谁知道任何解决方法？有什么办法可以逃脱“<”标志吗？或者我可以调用一个函数来获取纯 html 段？

Answer 1

作为快速修复，我想出了这个方法，使用正则表达式来识别未闭合的标签:

def fix_irregular_html(html)
  regexp = /<([^<>]*)(<|$)/

  #we need to do this multiple time as regex are overlapping
  while (fixed_html = html.gsub(regexp, "&lt;\\1\\2")) && fixed_html != html
    html = fixed_html
  end

  fixed_html
end

在此处查看包括测试在内的完整代码: https://gist.github.com/796571

它对我来说效果很好，我感谢任何反馈和改进