html - 在 Ruby 中删除特定的 HTML 元素

Question

我已经在 Ruby 中看到了基于白名单的 HTML sanitizer ，但我需要相反的方法，我只需要从页面中删除链接以准备好进行 PDF 转换。我尝试了 Sanitize，但它不符合我的需要，因为很难猜测将在获取的页面上使用哪些 HTML 元素，因此我无法将它们添加到列表中。

如果我的输入是

<a href="link">Link!</a>
<b>Bold Text</b>
<div>A div!</div>

我愿意

Link!
<b>Bold Text</b>
<div>A div!</div>

作为输出。

是否有针对 Ruby 的“基于黑名单的 sanitizer ”？

Answer 1

Tin Man 答案的细微变化，仍然使用 Nokogiri :

require 'nokogiri' # gem install nokogiri
doc = Nokogiri.HTML( my_html )
doc.css('a,blink,marquee').each do |el|
  el.replace( el.inner_html )
end
cleaned = doc.to_html

这里的两个区别是:

1. 使用 css 而不是 search 可以稍微更具体地了解正在使用的选择器(虽然它没有提供任何功能差异)，但更重要的是

2. 通过替换为 inner_html，我们保留了链接内可能的标记。例如，给定标记:

   <p><a href="foo">Hi <b>Mom</b></a>!</p>
   

   然后替换为 .content 会产生:

   <p>Hi Mom!</p>
   

   而替换为 .inner_html 会产生:

   <p>Hi <b>Mom</b>!</p>