html - NSXMLDocumentTidyHTML 没有清理一些 XHTML 验证错误

Question

我想从网页列表中抓取文本。我做了一些实验，发现满足我需求的最佳方法是通过 WebKit。

获取页面源后，我想使用 the technique in this comment. 删除所有 HTML 标签。

这是我的代码:

- (void)webView:(WebView *)sender didFinishLoadForFrame:(WebFrame *)frame {
    if(frame == [sender mainFrame]) {
        NSString *content = [[[[sender mainFrame] dataSource] representation] documentSource];
        NSXMLDocument *theDocument = [[NSXMLDocument alloc] initWithXMLString:content options:NSXMLDocumentTidyHTML error:&theError];
        NSString *theXSLTString = @"<?xml version='1.0' encoding='utf-8'?>\n<xsl:stylesheet version='1.0' xmlns:xsl='http://www.w3.org/1999/XSL/Transform' xmlns:xhtml='http://www.w3.org/1999/xhtml'>\n<xsl:output method='text'/>\n<xsl:template match='xhtml:head'></xsl:template>\n<xsl:template match='xhtml:script'></xsl:template>\n</xsl:stylesheet>";
        NSData *theData = [theDocument objectByApplyingXSLTString:theXSLTString arguments:nil error:&theError];
        NSString *theString = [[NSString alloc] initWithData:theData encoding:NSUTF8StringEncoding];
    }
}

这在大多数页面上都可以正常工作。但是，如果页面未正确验证为 XHTML，有时我的 initWithXMLString: 方法会出现错误。

这很公平 - 我要求它整理 XHTML，所以我希望它报告遇到的问题。但如果验证出现问题，它会返回 nil 和错误，而不是实际整理 XHTML。

导致问题的一个特定页面是 the Ruby class documentation.

我发现了优秀的第三方HTML tidy应用程序可以很好地清理这个 XHTML，但我希望 NSXMLDocumentTidyHTML 能够在 cellpadding 值周围添加一些引号。这是一个相当基本的清理操作。而且我并不热衷于在我的代码库中添加另一个依赖项。

Cocoa 清理 XHTML 的方式是否有我遗漏的地方？或者我只需要硬着头皮在我的代码中使用 HTML Tidy 来代替？

Answer 1

XHTML 文档被视为 XML，因此使用 NSXMLDocumentTidyXML 标志可能会更好。