Nokogiri 保持 HTML 实体不变

Question

我希望 Nokogiri 保持 HTML 实体不变，但它似乎将实体转换为实际符号。例如：

 Nokogiri::HTML.fragment('<p>&reg;</p>').to_s

结果："<p>®</p>"

似乎没有任何东西可以将原始 HTML 返回给我。 .inner_html、.text、.content 方法都返回 '®' 而不是 '®'

Nokogiri 有没有办法让这些 HTML 实体保持不变？

我已经搜索了 stackoverflow 并找到了类似的问题，但没有一个与这个完全一样。

Answer 1

不是一个理想的答案，但您可以通过设置允许的编码强制它生成实体（如果不是好名字）：

#encoding: UTF-8
require 'nokogiri'
html = Nokogiri::HTML.fragment('<p>&reg;</p>')
puts html.to_html                              #=> <p>®</p>
puts html.to_html( encoding:'US-ASCII' )       #=> <p>&#174;</p>

如果 Nokogiri 在定义时使用“好”的实体名称，而不是总是使用简洁的十六进制实体，那就太好了，但即使这样也不会“保留”原始实体。

问题的根源在于，在 HTML 中，以下所有内容都描述了完全相同的内容：

<p>®</p>
<p>&reg;</p>
<p>&#xAE;</p>  
<p>&#174;</p>

如果您希望文本节点的 to_s 表示实际上是 ®，那么描述它的标记实际上是：<p>®</p>。

如果 Nokogiri 要始终为每个字符返回与输入文档时相同的编码，则需要将每个字符存储为记录实体引用的自定义节点。存在一个可能用于此的类 (Nokogiri::XML::EntityReference)：

require 'nokogiri'
html = Nokogiri::HTML.fragment("<p>Foo</p>")
html.at('p') << Nokogiri::XML::EntityReference.new( html.document, 'reg' )
puts html
#=> <p>Foo&reg;</p>

但是，我找不到在使用 Nokogiri v1.4.4 或 v1.5.0 进行解析期间创建这些的方法。具体来说，在解析过程中Nokogiri::XML::ParseOptions::NOENT 的存在与否似乎不会导致创建一个：

require 'nokogiri'
html = "<p>Foo&reg;</p>"
[ Nokogiri::XML::ParseOptions::NOENT,
  Nokogiri::XML::ParseOptions::DEFAULT_HTML,
  Nokogiri::XML::ParseOptions::DEFAULT_XML,
  Nokogiri::XML::ParseOptions::STRICT
].each do |parse_option|
  p Nokogiri::HTML(html,nil,'utf-8',parse_option).at('//text()')
end
#=> #<Nokogiri::XML::Text:0x810cca48 "Foo\u00AE">
#=> #<Nokogiri::XML::Text:0x810cc624 "Foo\u00AE">
#=> #<Nokogiri::XML::Text:0x810cc228 "Foo\u00AE">
#=> #<Nokogiri::XML::Text:0x810cbe04 "Foo\u00AE">