Nokogiri 在用 <meta charset='UTF-8> 解析 html 时引发错误

Question

Nokogiri::HTML 将 <meta charset='UTF-8> 添加到 .html 文件时出现错误。

文件如下：

<!DOCTYPE html> 
<html>
  <head>
    <meta charset="UTF-8">
    <title>My super content</title>
    <link rel="stylesheet" type="text/css" href="./static.css">
  </head>

  <body>
    <footer>
      <p></p>
    </footer>
    <script type="text/javascript" src="./static.js"></script>
  </body>

</html>

当我解析它时，我得到：

$ doc = Nokogiri::HTML(open('myfile.html'))
$ doc.errors
> [#<Nokogiri::XML::SyntaxError: 10:12: ERROR: Tag footer invalid>]

删除 <meta charset="UTF-8"> 解决问题。

为什么？我怎样才能让它与它一起工作？

Answer 1

Nokogiri 主要是一个 XML 解析器，因此预计大部分有效 XML。虽然 HTML 看起来很像 XML，尤其是 HTML 5，但是关于例如关闭标签和算法来检测诸如编码之类的事情，这使得 HTML 5 与 XML 和 XML 解析器不兼容。

在 an issue 中，与您的问题相关，Mike Dalessio（nokogiri 维护者之一）的回应是：

Nokogiri does not support HTML5. You may want to check out the Nokogumbo project, which aims for HTML5 compatibility with the Gumbo parser.

Nokogiri 在用 <meta charset='UTF-8> 解析 html 时引发错误

Nokogiri raises error when parsing html with <meta charset='UTF-8>

ruby

ruby-on-rails

html-parsing

nokogiri