使用 Nokogiri 清理 HTML

Question

我正在尝试清理一些 CMS 输入的 HTML，这些 HTML 到处都有无关的段落标签和 br 标签。事实证明，Sanitize gem 非常有用，但我遇到了一个特定问题。

问题是当段落标记之后/之前直接有一个 br 标记时，例如

<p>
  <br />
  Some text here
  <br />
  Some more text
  <br />
</p>

我想去掉多余的第一个和最后一个 br 标签，但不是中间的。

我非常希望我可以使用清理转换器来做到这一点，但似乎找不到合适的匹配器来实现这一点。

任何帮助将不胜感激。

Answer 1

以下是定位 <p> 包含的特定 <br> 节点的方法：

require 'nokogiri'

doc = Nokogiri::HTML::DocumentFragment.parse(<<EOT)
<p>
  <br />
  Some text here
  <br />
  Some more text
  <br />
</p>
EOT

doc.search('p > br').map(&:to_html)
# => ["<br>", "<br>", "<br>"]

一旦我们知道我们可以找到它们，就很容易删除特定的：

br_nodes = doc.search('p > br')
br_nodes.first.remove
br_nodes.last.remove
doc.to_html
# => "<p>\n  \n  Some text here\n  <br>\n  Some more text\n  \n</p>\n"

请注意，Nokogiri 删除了它们，但它们的关联文本节点是它们的直接兄弟节点，包含它们的“\n”。浏览器会吞噬这些内容而不显示行尾，但您可能会感到强迫症，因此以下是删除这些内容的方法：

br_nodes = doc.search('p > br')
[br_nodes.first, br_nodes.last].each do |br|
  br.next_sibling.remove
  br.remove
end
doc.to_html
# => "<p>\n  <br>\n  Some more text\n  </p>\n"

Answer 2

initial_linebreak_transformer = lambda {|options|
  node = options[:node]
  if node.present? && node.element? && node.name.downcase == 'p'
    first_child = node.children.first
    if first_child.name.downcase == 'br'
      first_child.unlink
      initial_linebreak_transformer.call options
    end
  end
}