Question

我正在尝试使用反向降价Ruby gem将HTML页面转换为Markdown。不幸的是它失败了：

/usr/lib/ruby/1.9.1/rexml/parsers/treeparser.rb:95:in `rescue in parse': #<REXML::ParseException: Missing end tag for 'img' (got "td") (REXML::ParseException)

来源包含一些IMG，INPUT等标记，这些标记以>而不是/>结尾。

我已经尝试过tidy_ffi gem：

doc = Nokogiri::HTML(TidyFFI::Tidy.new(Nokogiri::HTML(page).to_html,
        :numeric_entities => 1,
        :output_html => 1,
        :merge_divs => 0,
        :merge_spans => 0,
        :join_styles => 0,
        :clean => 1,
        :indent => 1,
        :wrap => 0,
        :drop_empty_paras => 0,
        :literal_attributes => 1).clean)

但这没有任何区别。有什么建议吗？

Answer 1

反向降价实际上假设降价处理器生成格式良好的XHTML。如果你没有，你可能想尝试html2markdown宝石。它使用Nokogiri解析，并且可能更强大（免责声明：我没有使用它）。

Answer 2

~~我创建了一个摘录html的宝石：https://www.ruby-toolbox.com/gems/auto_excerpt也许你可以使用它或查看它用来执行此操作的代码？不确定这是否回答了这个问题。~~

其实我刚注意到你两次打电话给Nokogiri :: HTML：Nokogiri::HTML(TidyFFI::Tidy.new(Nokogiri::HTML(page).to_html

我不确定你得到的错误是来自Nokogiri还是TifyFFI。

在Ruby中自动修复未关闭的HTML标记

2 个答案: