Nokogiri 在使用 <meta charset='UTF-8> 解析 html 时引发错误答案

【问题标题】：Nokogiri raises error when parsing html with <meta charset='UTF-8>Nokogiri 在使用 <meta charset='UTF-8> 解析 html 时引发错误
【发布时间】：2021-03-07 13:49:30
【问题描述】：

当我将 <meta charset='UTF-8> 添加到 .html 文件时，Nokogiri::HTML 引发错误。

文件如下：

<!DOCTYPE html> 
<html>
  <head>
    <meta charset="UTF-8">
    <title>My super content</title>
    <link rel="stylesheet" type="text/css" href="./static.css">
  </head>

  <body>
    <footer>
      <p></p>
    </footer>
    <script type="text/javascript" src="./static.js"></script>
  </body>

</html>

当我解析它时，我得到：

$ doc = Nokogiri::HTML(open('myfile.html'))
$ doc.errors
> [#<Nokogiri::XML::SyntaxError: 10:12: ERROR: Tag footer invalid>]

删除<meta charset="UTF-8"> 解决问题。

为什么？我怎样才能让它与它一起工作？

【问题讨论】：

标签： ruby-on-rails ruby html-parsing nokogiri

【解决方案1】：

Nokogiri 主要是一个 XML 解析器，因此需要大部分有效的 XML。尽管 HTML 看起来很像 XML，尤其是在 HTML 5 中，但有不同的规则，例如关闭标签和算法来检测诸如编码之类的东西，这使得 HTML 5 与 XML 和 XML 解析器不兼容。

在与您的问题相关的an issue 中，Mike Dalessio（nokogiri 维护者之一）的回应是：

Nokogiri 不支持 HTML5。您可能想查看Nokogumbo 项目，该项目旨在实现与Gumbo 解析器的HTML5 兼容性。

【讨论】：

参见：github.com/sparklemotion/nokogiri/issues/2064