如何使用 Nokogiri 获取没有任何文本内容的完整 HTML

【问题标题】：How to use Nokogiri to get the full HTML without any text content如何使用 Nokogiri 获取没有任何文本内容的完整 HTML
【发布时间】：2021-12-11 08:45:36
【问题描述】：

我正在尝试使用 Nokogiri 获取页面的完整 HTML，但删除了所有文本。

我试过这个：

require 'nokogiri'
x = "<html>  <body>  <div class='example'><span>Hello</span></div></body></html>"
y = Nokogiri::HTML.parse(x).xpath("//*[not(text())]").each { |a| a.children.remove }
puts y.to_s

这个输出：

<div class="example"></div>

我也试过不带children.remove 部分运行它：

y = Nokogiri::HTML.parse(x).xpath("//*[not(text())]")
puts y.to_s

然后我得到：

<div class="example"><span>Hello</span></div>

但我真正想要的是：

<html><body><div class='example'><span></span></div></body></html>

【问题讨论】：

标签： ruby web-scraping xpath html-parsing nokogiri

【解决方案1】：

注意：这是一种非常激进的方法。 <script>、<style> 和 <noscript> 等标签也有子 text() 节点，其中包含您可能不想根据用例过滤掉的 CSS、HTML 和 JS。

如果您对已解析的文档进行操作而不是捕获迭代器的返回值，您将能够删除文本节点，然后返回文档：

require 'nokogiri'
html = "<html>  <body>  <div class='example'><span>Hello</span></div></body></html>"

# Parse HTML
doc = Nokogiri::HTML.parse(html)

puts doc.inner_html
# => "<html>  <body>  <div class=\"example\"><span>Hello</span></div>\n</body>\n</html>"

# Remove text nodes from parsed document
doc.xpath("//text()").each { |t| t.remove }

puts doc.inner_html
# => "<html><body><div class=\"example\"><span></span></div></body></html>"

【讨论】：

谢谢你，@ezkl！这非常有帮助。很好奇为什么你说这不是解决问题的好方法？
@jayp 我将更新我的答案以反映它确实取决于您的用例，但如果您要将这种确切的方法应用于更复杂的网页，您最终会丢弃子文本节点在<style>、<script>、<noscript>等功能标签之间