web-dev-qa-db-ja.com

Nokogiriを使用してHTMLをプリティプリントするにはどうすればよいですか？

RubyでWebクローラーを作成し、Nokogiri::HTMLを使用してページを解析しています。ページを印刷する必要があり、IRBをいじりながら、pretty_printメソッドに気づきました。ただし、パラメータと私はそれが何を望んでいるのか理解できません。

私のクローラーは、WebページのHTMLをキャッシュし、ローカルマシン上のファイルに書き込んでいます。 HTMLを「きれいに印刷」して、見栄えがよく、適切にフォーマットされているようにします。

htmlrubynokogiripretty-print
25
Jarsen

HTMLページの「プリティプリント」とは、適切なインデントを使用してHTML構造を再フォーマットすることを意味していると思います。 Nokogiriはこれをサポートしていません。 pretty_printメソッドは「pp」ライブラリ用であり、出力はデバッグにのみ役立ちます。

HTMLを十分に理解していて、実際に重要な空白を破壊せずに再フォーマットできるプロジェクトがいくつかあります（有名なものは HTML Tidy ）が、グーグルによってこの投稿のタイトルが-になりました。 "NokogiriとXSLTを使用したXHTMLのプリティプリント" 。

それはこれに帰着します：

xsl = Nokogiri::XSLT(File.open("pretty_print.xsl"))
html = Nokogiri(File.open("source.html"))
puts xsl.apply_to(html).to_s

もちろん、リンクされたXSLファイルをファイルシステムにダウンロードする必要があります。私は自分のマシンでそれを非常に素早く試しました、そしてそれは魅力のように働きます。

22
mislav

@mislavによる答えはやや間違っています。 Nokogiriはプリティプリントをサポートしますifあなた：

  • ドキュメントをXMLとして解析します
  • 解析中に空白のみのノード（「空白」）を無視するようにNokogiriに指示します
  • 使用する to_xhtmlまたはto_xml指定する プリティプリントパラメータ

動作中：

html = '<section>
<h1>Main Section 1</h1><p>Intro</p>
<section>
<h2>Subhead 1.1</h2><p>Meat</p><p>MOAR MEAT</p>
</section><section>
<h2>Subhead 1.2</h2><p>Meat</p>
</section></section>'

require 'nokogiri'
doc = Nokogiri::XML(html,&:noblanks)
puts doc
#=> <section>
#=>   <h1>Main Section 1</h1>
#=>   <p>Intro</p>
#=>   <section>
#=>     <h2>Subhead 1.1</h2>
#=>     <p>Meat</p>
#=>     <p>MOAR MEAT</p>
#=>   </section>
#=>   <section>
#=>     <h2>Subhead 1.2</h2>
#=>     <p>Meat</p>
#=>   </section>
#=> </section>

puts doc.to_xhtml( indent:3, indent_text:"." )
#=> <section>
#=> ...<h1>Main Section 1</h1>
#=> ...<p>Intro</p>
#=> ...<section>
#=> ......<h2>Subhead 1.1</h2>
#=> ......<p>Meat</p>
#=> ......<p>MOAR MEAT</p>
#=> ...</section>
#=> ...<section>
#=> ......<h2>Subhead 1.2</h2>
#=> ......<p>Meat</p>
#=> ...</section>
#=> </section>
76
Phrogz

これは私のために働いた：

 pretty_html = Nokogiri::HTML(html).to_xhtml(indent: 3)

上記のREXMLバージョンを試しましたが、一部のドキュメントが破損しました。そして、xsltを新しいプロジェクトに取り入れることは嫌いです。どちらも時代遅れだと感じています。 :)

6
bronson

REXMLを試すことができます：

require "rexml/document"

doc = REXML::Document.new(xml)
doc.write($stdout, 2)
4
Julien

私の解決策は、実際のprintオブジェクトにNokogiriメソッドを追加することでした。以下のスニペットのコードを実行すると、node.printを記述できるようになり、内容がきれいに出力されます。 xsltは必要ありません:-)

Nokogiri::XML::Node.class_eval do
  # Print every Node by default (will be overridden by CharacterData)
  define_method :should_print? do
    true
  end

  # Duplicate this node, replace the contents of the duplicated node with a
  # newline. With this content substitution, the #to_s method conveniently
  # returns a string with the opening tag (e.g. `<a href="foo">`) on the first
  # line and the closing tag on the second (e.g. `</a>`, provided that the
  # current node is not a self-closing tag).
  #
  # Now, print the open tag preceded by the correct amount of indentation, then
  # recursively print this node's children (with extra indentation), and then
  # print the close tag (if there is a closing tag)
  define_method :print do |indent=0|
    duplicate = self.dup
    duplicate.content = "\n"
    open_tag, close_tag = duplicate.to_s.split("\n")

    puts (" " * indent) + open_tag
    self.children.select(&:should_print?).each { |child| child.print(indent + 2) }
    puts (" " * indent) + close_tag if close_tag
  end
end

Nokogiri::XML::CharacterData.class_eval do
  # Only print CharacterData if there's non-whitespace content
  define_method :should_print? do
    content =~ /\S+/
  end

  # Replace all consecutive whitespace characters by a single space; precede the
  # outut by a certain amount of indentation; print this text.
  define_method :print do |indent=0|
    puts (" " * indent) + to_s.strip.sub(/\s+/, ' ')
  end
end
2
pariser