替换 Nokogiri 节点中的部分文本，同时保留内容中的标记

Question

我试图通过使用 Nokogiri 扫描节点的内容然后执行 gsub 来替换一堆文件中的唯一字符串的实例。我保留了部分字符串，并将其转换为锚标记。然而，大多数节点在内容中都有各种形式的标记，而不仅仅是简单的字符串。例如，假设我有一个这样的文件：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<html>
    <head>
        <title>Title</title>
        <link href="style.css" rel="stylesheet" type="text/css" />
    </head>
    <body>
        <div>
            <p class="header">&lt;&lt;2&gt;&gt;Header</p>
            <p class="paragraph">
            <p class="text_style">Lorem ipsum blah blah blah. &lt;&lt;3&gt;&gt; Here is more content. <span class="style">Preserve this.</span> Blah blah extra text.</p>
        </div>
    </body>
</html>

全文都是数字，被<<和>>包围。我想获取数字的值并将其转换为这样的标记：<a id='[#]'/>，但我想保留同一部分中其他元素的 HTML 标记，即 <span class="style">Preserve this.</span> .

这是我尝试过的一切：

file = File.open("file.xhtml") {|f| Nokogiri::XML(f)}

file.xpath("//text()").each { |node|
    if node.text.match(/<<([^_]*)>>/)
        new_content = node.text.gsub(/<<([^_]*)>>/,"<a id=\"\1\"/>")
        node.parent.inner_html = new_content
    end
}

gsub 工作正常，但因为它使用 .text 方法，所以任何标记都将被忽略并有效地清除。在这种情况下， <span class="style">Preserve this.</span> 部分被完全删除。（仅供参考，我使用 .parent 方法，因为如果我只是 node.inner_html = new_content 我会收到此错误：add_child_node': cannot reparent Nokogiri::XML::Element there (ArgumentError)。）

如果我这样做：

    new_content = node.text.gsub(/<<([^_]*)>>/,"<a id=\"\1\"/>")
    node.content = new_content

字符未正确转义：文件以 <a id="3"/> 而不是 <a id="3"/> 结束。

我尝试使用 CSS 方法，而不是像这样：

file.xpath("*").each { |node|
    if node.inner_html.match(/&lt;&lt;([^_]*)&gt;&gt;/)
        new_content = node.inner_html.gsub(/&lt;&lt;([^_]*)&gt;&gt;/,"<a id=\"\1\"/>")
        node.inner_html = new_content
    end
}

gsub 有效，标记被保留，被替换的标签被正确转义。但是删除了 <head> 和 <body> 标签，导致文件无效：

<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<html>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8"/>
        <title>Title</title>
        <link href="style.css" rel="stylesheet" type="text/css"/>
        <div>
            <p class="header"><a id="2"/>Header</p>
            <p class="paragraph">
            </p><p class="text_style">Lorem ipsum blah blah blah. <a id="3"/> Here is more content. <span class="style">Preserve this.</span> Blah blah extra text. </p>    
    </div>
</html>

我怀疑这与我正在遍历所有节点 (file.css("*")) 这一事实有关，这也是多余的，因为除了子节点之外还扫描了父节点。

我在网上搜索过，但找不到任何解决方案。我只是希望能够在保持标记并正确编码的同时换出唯一的文本。有什么非常明显的东西是我在这里遗漏的吗？

Answer 1

看起来效果不错：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<?xml version="1.0" encoding="UTF-8" standalone="no"?>
<html>
    <head>
        <title>Title</title>
        <link href="style.css" rel="stylesheet" type="text/css" />
    </head>
    <body>
        <div>
            <p class="header">&lt;&lt;2&gt;&gt;Header</p>
            <p class="paragraph">
            <p class="text_style">Lorem ipsum. &lt;&lt;3&gt;&gt; more content. <span class="style">Preserve this.</span> extra text.</p>
        </div>
    </body>
</html>
EOT

doc.search("//text()[contains(.,'<<')]").each do |node|
  node.replace(node.content.gsub(/<<(\d+)>>/, '<a id="[]" />'))
end

这导致：

puts doc.to_html

# >> <html>
# >>     <head>
# >> <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
# >>         <title>Title</title>
# >>         <link href="style.css" rel="stylesheet" type="text/css">
# >>     </head>
# >>     <body>
# >>         <div>
# >>             <p class="header"><a id="[2]"></a>Header</p>
# >>             <p class="paragraph">
# >>             <p class="text_style">Lorem ipsum. <a id="[3]"></a> more content. <span class="style">Preserve this.</span> extra text.</p>
# >>         </p>
# >>     </div>
# >> </body>
# >> </html>

Nokogiri 正在添加

<meta http-equiv="Content-Type" content="text/html; charset=UTF-8">

行，可能是因为标记定义为XML.

选择器 "//text()[contains(.,'<<')]" 仅查找包含 '<<' 的文本节点。如果可能导致误报，您可能想要修改它以使其更具体。语法见“XPath: using regex in contains function”。

replace 正在表演；您试图修改 Nokogiri::XML::Text 节点以包含 <a.../>，但它不能，必须对 < 和 > 进行编码。将节点更改为 Nokogiri::XML::Element，这是 Nokogiri 默认的 <a id="[2]">，让它按照你的需要存储它。

替换 Nokogiri 节点中的部分文本，同时保留内容中的标记

Replacing part of the text in a Nokogiri node while preserving markup in contents

ruby

nokogiri