格式良好的 <script>Javascript</script> 标签在 STRICT 模式下混淆 Nokogiri::HTML答案

【问题标题】：Well-formed <script>Javascript</script> tags confuse Nokogiri::HTML in STRICT mode格式良好的 <script>Javascript</script> 标签在 STRICT 模式下混淆 Nokogiri::HTML
【发布时间】：2018-09-15 21:50:38
【问题描述】：

这是说明问题的测试用例：

def test_strict_Nokogiri
  html = "<script> $('<a></a>') </script>"  
  doc = Nokogiri::HTML(html, nil, nil, Nokogiri::XML::ParseOptions::STRICT)  
  assert_empty doc.errors
end

该断言失败，因为有errors:#<Nokogiri::XML::SyntaxError: Unexpected end tag : a>。

即使 Nokogiri 一直在 <script> 标签内寻找 HTML 标签，它也应该看到 <a ...> 和 </a> 标签是平衡的，对吧？

我如何让 Nokogiri 识别有效的 HTML，绕过嵌入的 Javascript，并且只在它真的坏了时才抱怨？

编辑：我已将错误传递给 libxml2 维护人员：https://bugzilla.gnome.org/show_bug.cgi?id=795390

【问题讨论】：

这真的有效吗？我知道script 在 HTML4 中需要一个 type 属性。
我发现了解析带有<script type> 属性的完整网页的问题。而且，在有人编辑我的帖子之前，错误消息中的行号和列号指向了</a> 标签。

标签： javascript html ruby nokogiri libxml2

【解决方案1】：

如果你想从 Nokogiri 元素中删除脚本标签，你可以这样做，

html = '<div> Hello </div> <script> $("<div></div>") </script>'
doc = Nokogiri::HTML(html, nil, nil, Nokogiri::XML::ParseOptions::STRICT)
doc.text # " Hello   $(\"<div>\") "
doc.xpath('//script').remove
doc.text # " Hello  "

doc.to_html 会返回这个

"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body>\n<div> Hello </div> </body></html>\n"

【讨论】：

我正在尝试使用其<script> 标记编写一个HTML 格式正确的断言。在其他环境中，我会使用 Tidy-HTML5，但不是这个。
@Phlip 知道了，所以如果我理解你的话，你需要知道为什么 nokogiri 会这样。对吗？