Nokogiri保持HTML实体不变

Question

我希望Nokogiri保持HTML实体不变，但似乎正在将实体转换为实际符号。例如：

 Nokogiri::HTML.fragment('<p>&reg;</p>').to_s

结果："<p>®</p>"

似乎没有任何东西可以将原始HTML还给我。.inner_html，.text和.content方法均返回'®'而不是'®'

Nokogiri是否有办法使这些HTML实体保持不变？

我已经搜索了stackoverflow并发现了类似的问题，但没有一个完全像这个问题。

Answer 1

不是理想的答案，但是您可以通过设置允许的编码来强制它生成实体（如果不是好的名称：）>

#encoding: UTF-8
require 'nokogiri'
html = Nokogiri::HTML.fragment('<p>&reg;</p>')
puts html.to_html                              #=> <p>®</p>
puts html.to_html( encoding:'US-ASCII' )       #=> <p>&#174;</p>
如果Nokogiri在定义的地方使用实体的“好”名称，而不是总是使用简洁的十六进制实体，那很好，但是即使那样也不会“保留”原始实体。

问题的根源在于，在HTML中，以下所有内容都描述了完全相同的内容：

<p>®</p>
<p>&reg;</p>
<p>&#xAE;</p>  
<p>&#174;</p>
如果您希望文本节点的to_s表示形式实际上是&reg;，则描述该标记的标记实际上就是：<p>&amp;reg;</p>。

如果Nokogiri总是每个字符返回与输入文档时相同的编码，则它需要将每个字符存储为记录实体引用的自定义节点。存在一个可能用于此的类（Nokogiri::XML::EntityReference）：

Nokogiri::XML::EntityReference
但是，我找不到一种方法来使它们在使用Nokogiri v1.4.4或v1.5.0的解析过程中创建。具体来说，在解析过程中是否存在require 'nokogiri'
html = Nokogiri::HTML.fragment("<p>Foo</p>")
html.at('p') << Nokogiri::XML::EntityReference.new( html.document, 'reg' )
puts html
#=> <p>Foo&reg;</p>
似乎不会导致创建一个：[]
Nokogiri::XML::ParseOptions::NOENT