Perl LibXML 整洁 HTML

Question

我在文件中有这个 HTML 片段：1.html:

<html><head><meta http-equiv="Content-Type" content="text/html; charset=utf-8"/></head>
<body>
abash
<div>a·bash·ment</span>
<h6>1</h6>
</body>
</html>

在上面的代码中，标签不匹配（<div> 和 </span>）。我写了以下 XML::LibXML 代码来更正和整理标签：

use 5.31.3;
use strict;
use warnings FATAL => 'all';
use XML::LibXML;
use utf8::all;
open(my $FH, ">:encoding(UTF-8)", "2.html") or die "Can't open '1.html': $!";
@ARGV = "1.html";
my $parser = XML::LibXML->new();
$parser->recover(1); 
say $FH $parser->parse_html_string(join "", <>)->toStringHTML();

结果是：

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<head><meta http-equiv="Content-Type" content="text/html; charset=utf-8"></head>
<body>
abash
<div>aÂ·bashÂ·ment
</div>
</body>
</html>

如您所见，div标签的内容显示不正确，应该与原来的a·bash·ment相同。我想这应该是一个编码问题。我不确定在哪里更改编码设置。有人运行以前处理过这个问题吗？

谢谢。

Answer 1

根据下面复制的文档，toStringHTML 生成一个编码的字节字符串，因此您不应该再次对其进行编码。替换

open(my $FH, ">:encoding(UTF-8)", "2.html")

和

open(my $FH, ">:raw", "2.html")

toStringHTML
$str = $document->toStringHTML();
toStringHTML serialize the tree to a byte string in the document encoding as HTML. With this method indenting is automatic and managed by libxml2 internally.

Perl LibXML 整洁 HTML

Perl LibXML tidy HTML

perl

libxml2