解析HTML片段，并列出一些自定义标记

Question

我试图使用Nokogiri解析包含自定义HTML标记的HTML片段。

示例：

string = "<div>hello</div>\n<custom-tag></custom-tag>"

我试图以多种方式加载它，但没有一个是最佳的。

如果我使用Nokogiri::HTML：

doc = Nokogiri::HTML(string)

当我使用to_html时，它会添加一个doctype和一个包装内容的html标记。这是不想要的。

如果我使用Nokogiri::XML：

doc = Nokogiri::XML(string)

我得到了Error at line 2: Extra content at the end of the document，因为在XML中必须有一个根标记来包装所有文档内容。如果我再次尝试保存此内容，则输出为<div>hello</div> (删除第一个之后的每个标记)。

我也试过doc = Nokogiri::HTML.fragment

doc = Nokogiri::HTML.fragment(string)

但它抱怨的是custom-tag。

如何使用这个HTML片段使Nokogiri解析正确？

Answer 1

doc = Nokogiri::HTML.fragment(string)是方法之一，您可以忽略doc.errors抱怨无效标签。

您给它的HTML无效，所以您不能期望它不报告错误，但HTML解析器往往是宽容的。

您也可以使用Nokogiri::XML.fragment，如果您确信它的其余部分是格式良好的话。这不会给您带来关于未定义标记的错误。