html - Nokogiri で HTML をきれいに印刷するにはどうすればよいですか?

Question

Ruby で Web クローラーを作成Nokogiri::HTMLし、ページの解析に使用しています。ページを印刷する必要があり、IRB をいじっているときに方法に気付きましたpretty_print。ただし、パラメーターが必要で、何が必要なのかわかりません。

私のクローラーは Web ページの HTML をキャッシュし、それをローカル マシンのファイルに書き込んでいます。HTML を「きれいに印刷」して、見栄えがよく、適切にフォーマットされているようにしたいと考えています。

Answer 1

@mislavによる答えはやや間違っています。次の場合、 Nokogiri は pretty-print をサポートします。

• ドキュメントを XML として解析する
• 解析中に空白のみのノード (「空白」) を無視するよう Nokogiri に指示する
• to_xhtmlorを使用して、整形パラメータto_xmlを指定します

実際に:

html = '<section>
<h1>Main Section 1</h1><p>Intro</p>
<section>
<h2>Subhead 1.1</h2><p>Meat</p><p>MOAR MEAT</p>
</section><section>
<h2>Subhead 1.2</h2><p>Meat</p>
</section></section>'

require 'nokogiri'
doc = Nokogiri::XML(html,&:noblanks)
puts doc
#=> <section>
#=>   <h1>Main Section 1</h1>
#=>   <p>Intro</p>
#=>   <section>
#=>     <h2>Subhead 1.1</h2>
#=>     <p>Meat</p>
#=>     <p>MOAR MEAT</p>
#=>   </section>
#=>   <section>
#=>     <h2>Subhead 1.2</h2>
#=>     <p>Meat</p>
#=>   </section>
#=> </section>

puts doc.to_xhtml( indent:3, indent_text:"." )
#=> <section>
#=> ...<h1>Main Section 1</h1>
#=> ...<p>Intro</p>
#=> ...<section>
#=> ......<h2>Subhead 1.1</h2>
#=> ......<p>Meat</p>
#=> ......<p>MOAR MEAT</p>
#=> ...</section>
#=> ...<section>
#=> ......<h2>Subhead 1.2</h2>
#=> ......<p>Meat</p>
#=> ...</section>
#=> </section>

Answer 2

HTMLページの「きれいな印刷」とは、HTML構造を適切なインデントで再フォーマットすることを意味していると思います。Nokogiri はこれをサポートしていません。メソッドはpretty_print「pp」ライブラリ用であり、出力はデバッグにのみ役立ちます。

HTML を十分に理解して、実際に重要な空白を破壊せずに HTML を再フォーマットできるプロジェクトがいくつかあります (有名なものはHTML Tidyです) 。 .

これは次のようになります。

xsl = Nokogiri::XSLT(File.open("pretty_print.xsl"))
html = Nokogiri(File.open("source.html"))
puts xsl.apply_to(html).to_s

もちろん、リンクされた XSL ファイルをファイルシステムにダウンロードする必要があります。私は自分のマシンで非常にすばやく試してみましたが、魅力的に機能します。

Answer 3

REXML を試すことができます:

require "rexml/document"

doc = REXML::Document.new(xml)
doc.write($stdout, 2)

Answer 4

print私の解決策は、実際のNokogiriオブジェクトにメソッドを追加することでした。以下のスニペットのコードを実行すると、次のように記述できるようになりnode.print、内容がきれいに出力されます。xslt は必要ありません :-)

Nokogiri::XML::Node.class_eval do
  # Print every Node by default (will be overridden by CharacterData)
  define_method :should_print? do
    true
  end

  # Duplicate this node, replace the contents of the duplicated node with a
  # newline. With this content substitution, the #to_s method conveniently
  # returns a string with the opening tag (e.g. `<a href="foo">`) on the first
  # line and the closing tag on the second (e.g. `</a>`, provided that the
  # current node is not a self-closing tag).
  #
  # Now, print the open tag preceded by the correct amount of indentation, then
  # recursively print this node's children (with extra indentation), and then
  # print the close tag (if there is a closing tag)
  define_method :print do |indent=0|
    duplicate = self.dup
    duplicate.content = "\n"
    open_tag, close_tag = duplicate.to_s.split("\n")

    puts (" " * indent) + open_tag
    self.children.select(&:should_print?).each { |child| child.print(indent + 2) }
    puts (" " * indent) + close_tag if close_tag
  end
end

Nokogiri::XML::CharacterData.class_eval do
  # Only print CharacterData if there's non-whitespace content
  define_method :should_print? do
    content =~ /\S+/
  end

  # Replace all consecutive whitespace characters by a single space; precede the
  # outut by a certain amount of indentation; print this text.
  define_method :print do |indent=0|
    puts (" " * indent) + to_s.strip.sub(/\s+/, ' ')
  end
end

Answer 5

メソッドを試してみませんppか？

require 'pp'
pp some_var