个人中心
文章发布
退出
作者热门文章
- 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
26
4
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/
26
4
0
表架构 DROP TABLE bla; CREATE TABLE bla (id INTEGER, city INTEGER, year_ INTEGER, month_ INTEGER, val I
我需要拆分字符串/或从具有以下结构的字符串中获取更容易的子字符串。 字符串将来自 window.location.pathname 或 window.location.href，看起来像 text/n
每当将对象添加到数组中时，我都会尝试更新 TextView ，并在 TextView 中显示该文本，如下所示: "object 1" "object 2" 问题是，每次将新对象添加到数组时，它都会覆盖
我目前正在寻找使用 Java 读取网站可见文本并将其存储为纯文本字符串的方法。 换句话说，我想转换成这样: Hello stupid World进入“ Hello World ” 或者类似的东西 Un
我正在尝试以文本和 HTML 格式发送电子邮件，但无法正确发送正确的 header 。特别是，我想设置 Content-Type header ，但我找不到如何为 html 和文本部分单独设置它。 这
我尝试了上面的代码，但我无法绑定(bind)文本，我怎样才能将资源内部文本 bloc
我刚刚完成了 Space Shooter 教程，由于没有 GUIText 对象，所以我创建了 UI.Text 对象并进行了相应的编码。它在统一播放器中有效，但在构建 Web 应用程序后无效。我花了一段
我有这个代码: - (IBAction)setButtonPressed:(id)sender { NSUserDefaults *sharedDefaults = [[NSUserDefau
抱歉标题含糊不清，但我想不出我想在标题中做什么。无论如何，对于图像上的文本，我使用了 JLabel 文本并将其添加到图标中。 JLabel icon = new JLabel(new Imag
关闭。这个问题是not reproducible or was caused by typos .它目前不接受答案。 这个问题是由于错别字或无法再重现的问题引起的。虽然类似的问题可能是on-topi
我在将 Twitter 嵌入到我从 HTML 5 转换的 wordpress 运行网站时遇到问题。 我遇到的问题是推文不是我的自定义字体... 这是我无法使用任何 css 定位的 HTML 代码，我正
我正在尝试找到解决由于使用以下形式的代码而导致的冗余字符串连接问题的最佳方法: logger.debug("Entering loop, arg is: " + arg) // @1 在大多数情况下，
我写了这个测试 @Test public void removeRequestTextFromRouteError() throws Exception { String input = "F
我目前正在创建一个正则表达式来拆分所有匹配以下格式的字符串:&[文本]，并且需要获取文本。字符串可能类似于:something &[text] &[text] everything &[text] 等
有没有办法将标题文本从一个词变形为另一个词，同时保留两个词中使用的字母？我看过的许多 css 文本动画大多是视觉的，很少有旋转整个单词的。 我想要做的是从一个词过渡，例如“BEACH”到“CHANGE
总结matplotlib绘图如何设置坐标轴刻度大小和刻度。 上代码： ?
我在容器 (1) 中创建了容器 (2)。你能帮忙如何向容器(1)添加文本吗？下面是我的代码 return Scaffold( body: Padding( padding: c
我似乎找不到任何人或任何人这样做过。我试图限制我们使用的图像数量，并想创建一个带有渐变作为其“颜色”的文本，并在其周围设置渐变轮廓/描边 到目前为止，我还没有看到任何将两者结合在一起的东西。 我可以自
我正在为视频游戏暗黑破坏神 2 使用 discord.py 构建一个不和谐机器人。其中一项功能要求机器人从暗黑破坏神 2 屏幕截图中提取项目的名称和属性。我目前正在为此使用 pytesseract，但
我很难弄清楚如何旋转 strip.text theme 中的属性来自 ggplot2 .我使用的是 R 版本 3.4.2 和 ggplot2 版本 2.2.1。 以下是 MWE 的数据。 > dput
我是一名优秀的程序员,十分优秀！