- xml - AJAX/Jquery XML 解析
- 具有多重继承的 XML 模式
- .net - 枚举序列化 Json 与 XML
- XML 简单类型、简单内容、复杂类型、复杂内容
我想将 html 转换为纯文本。不过,我不想只删除标签,我想智能地保留尽可能多的格式。为 <br>
插入换行符标签,检测段落并格式化它们等。
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 anchor 或图像)。
我可以将几个正则表达式放在一起,让我达到 80%,但我认为可能有一些现有的解决方案更智能。
最佳答案
首先,不要尝试为此使用正则表达式。很有可能你会想出一个脆弱/脆弱的解决方案,它会随着 HTML 的变化而崩溃,或者很难管理和维护。
您可以使用 Nokogiri 快速解析 HTML 并提取文本:
require 'nokogiri'
html = '
<html>
<body>
<p>This is
some text.</p>
<p>This is some more text.</p>
<pre>
This is
preformatted
text.
</pre>
</body>
</html>
'
doc = Nokogiri::HTML(html)
puts doc.text
>> This is
>> some text.
>> This is some more text.
>>
>> This is
>> preformatted
>> text.
之所以可行,是因为 Nokogiri 正在返回文本节点,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。如果您使用 tidy
对 HTML 进行飞行前清理有时您可以获得更好的输出。
问题是当您将解析器的输出或查看 HTML 的任何方式与浏览器显示的内容进行比较时。浏览器关心的是以尽可能令人愉悦的方式呈现 HTML,而忽略了 HTML 可能会严重畸形和损坏的事实。解析器不是为这样做而设计的。
您可以在提取内容之前修改 HTML 以删除无关的换行符,例如 "\n"
, 和 "\r"
然后替换 <br>
带有换行符的标签。这里有很多关于 SO 的问题,解释了如何用其他东西替换标签。我认为 Nokogiri site也将其作为教程之一。
如果你真的想把它做好,你需要弄清楚你想为 <li>
做什么里面的标签 <ul>
和 <ol>
标签,以及表格。
另一种攻击方法是捕获其中一个文本浏览器(如 lynx)的输出。几年前,我需要对不使用 Meta-Keyword 标签的网站上的关键字进行文本处理,并找到了一款可以让我以这种方式获取渲染输出的文本浏览器。我没有可用的来源,所以我无法检查它是哪一个。
关于ruby - 使用 ruby 将 HTML 转换为纯文本并维护结构/格式,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/6073523/
我目前正在尝试基于哈希表构建字典。逻辑是:有一个名为 HashTable 的结构,其中包含以下内容: HashFunc HashFunc; PrintFunc PrintEntry; CompareF
如果我有一个指向结构/对象的指针,并且该结构/对象包含另外两个指向其他对象的指针,并且我想删除“包含这两个指针的对象而不破坏它所持有的指针”——我该怎么做这样做吗? 指向对象 A 的指针(包含指向对象
像这样的代码 package main import "fmt" type Hello struct { ID int Raw string } type World []*Hell
我有一个采用以下格式的 CSV: Module, Topic, Sub-topic 它需要能够导入到具有以下格式的 MySQL 数据库中: CREATE TABLE `modules` ( `id
通常我使用类似的东西 copy((uint8_t*)&POD, (uint8_t*)(&POD + 1 ), back_inserter(rawData)); copy((uint8_t*)&PODV
错误 : 联合只能在具有兼容列类型的表上执行。 结构(层:字符串,skyward_number:字符串,skyward_points:字符串)<> 结构(skyward_number:字符串,层:字符
我有一个指向结构的指针数组,我正在尝试使用它们进行 while 循环。我对如何准确初始化它并不完全有信心,但我一直这样做: Entry *newEntry = malloc(sizeof(Entry)
我正在学习 C,我的问题可能很愚蠢,但我很困惑。在这样的函数中: int afunction(somevariables) { if (someconditions)
我现在正在做一项编程作业,我并没有真正完全掌握链接,因为我们还没有涉及它。但是我觉得我需要它来做我想做的事情,因为数组还不够 我创建了一个结构,如下 struct node { float coef;
给定以下代码片段: #include #include #define MAX_SIZE 15 typedef struct{ int touchdowns; int intercepti
struct contact list[3]; int checknullarray() { for(int x=0;x<10;x++) { if(strlen(con
这个问题在这里已经有了答案: 关闭 11 年前。 Possible Duplicate: Empty “for” loop in Facebook ajax what does AJAX call
我刚刚在反射器中浏览了一个文件,并在结构构造函数中看到了这个: this = new Binder.SyntaxNodeOrToken(); 我以前从未见过该术语。有人能解释一下这个赋值在 C# 中的
我经常使用字符串常量,例如: DICT_KEY1 = 'DICT_KEY1' DICT_KEY2 = 'DICT_KEY2' ... 很多时候我不介意实际的文字是什么,只要它们是独一无二的并且对人类读
我是 C 的新手,我不明白为什么下面的代码不起作用: typedef struct{ uint8_t a; uint8_t* b; } test_struct; test_struct
您能否制作一个行为类似于内置类之一的结构,您可以在其中直接分配值而无需调用属性? 前任: RoundedDouble count; count = 5; 而不是使用 RoundedDouble cou
这是我的代码: #include typedef struct { const char *description; float value; int age; } swag
在创建嵌套列表时,我认为 R 具有对列表元素有用的命名结构。我有一个列表列表,并希望应用包含在任何列表中的每个向量的函数。 lapply这样做但随后剥离了列表的命名结构。我该怎么办 lapply嵌套列
我正在做一个用于学习目的的个人组织者,我从来没有使用过 XML,所以我不确定我的解决方案是否是最好的。这是我附带的 XML 文件的基本结构:
我是新来的 nosql概念,所以当我开始学习时 PouchDB ,我找到了这个转换表。我的困惑是,如何PouchDB如果可以说我有多个表,是否意味着我需要创建多个数据库?因为根据我在 pouchdb
我是一名优秀的程序员,十分优秀!