Bande attributs de style avec nokogiri

Je suis scrapling une page html avec nokogiri et je tiens à dépouiller tous les attributs de style.
Comment puis-je y parvenir? (je ne suis pas à l'aide de rails donc je ne peux pas utiliser de désinfecter méthode et je ne veux pas utiliser les désinfecter gem 'parce que je veux les supprimer de la liste noire pas de liste blanche)

html = open(url)
doc = Nokogiri::HTML(html.read)
doc.css('.post').each do |post|
puts post.to_s
end

=> <p><span style="font-size: x-large">bla bla <a href="http://torrentfreak.com/netflix-is-killing-bittorrent-in-the-us-110427/">statistica</a> blabla</span></p>

Je veux qu'il soit

=> <p><span>bla bla <a href="http://torrentfreak.com/netflix-is-killing-bittorrent-in-the-us-110427/">statistica</a> blabla</span></p>

OriginalL'auteur keepitterron | 2011-05-23

  1. 17
    require 'nokogiri'

html = '<p class="post"><span style="font-size: x-large">bla bla</span></p>'
doc = Nokogiri::HTML(html)
doc.xpath('//@style').remove
puts doc.css('.post')
#=> <p class="post"><span>bla bla</span></p>

    Édité pour montrer que vous pouvez simplement appeler NodeSet#supprimer au lieu d'avoir à utiliser .each(&:remove).

    Notez que si vous avez un DocumentFragment au lieu d'un Document, Nokogiri a un bug de longue date, où la recherche à partir d'un fragment ne fonctionne pas comme vous le souhaiteriez. La solution de contournement consiste à utiliser:

    doc.xpath('@style|.//@style').remove
    wow. c'est facile! je l'aime. merci!
    Utilisation doc.xpath('.//@style').remove pour supprimer tous les styles en ligne à partir de tous les nœuds, l'avis de la . au début, comme mentionné par @bricker ci-dessous. Chaîne .to_s pour obtenir le html résultant de la chaîne.
    Correction: Ne pas la chaîne, mais l'utilisation description.to_s pour obtenir le html résultant de la chaîne. Si vous ne voulez pas le DOCTYPE vous devez utiliser le Nokogiri::HTML.fragment méthode au lieu de cela, reportez-vous à stackoverflow.com/questions/4723344/...

    OriginalL'auteur Phrogz

  2. 8

    Cela fonctionne avec à la fois un document et un fragment de document:

    doc = Nokogiri::HTML::DocumentFragment.parse(...)

    ou 

    doc = Nokogiri::HTML(...)

    Pour supprimer tous les attributs de 'style', vous pouvez faire un

    doc.css('*').remove_attr('style')

    OriginalL'auteur PlagueHammer

  3. 3

    J'ai essayé la réponse de Phrogz, mais ne pouvait pas le faire fonctionner (j'ai été en utilisant un fragment de document, bien, mais j'aurais pensé qu'il devrait fonctionner de la même?).

    Le "//" au début ne semble pas être la vérification de tous les nœuds que je m'attends. Au final, j'ai fait quelque chose d'un peu plus longue haleine, mais cela a fonctionné, donc ici pour l'enregistrement dans le cas où quelqu'un d'autre a le même problème c'est ma solution (sale si elle est):

    doc = Nokogiri::HTML::Document.new
body_dom = doc.fragment( my_html )

# strip out any attributes we don't want
body_dom.xpath( './/*[@align]|*[@align]' ).each do |tag|
    tag.attributes["align"].remove
end

    Acclamations

    Pete

    Ce serait aussi probablement de travail: body_dom.xpath('.//@class') (avis de l'extra point au début de la xpath)
    Nokogiri et/ou LibXML2 ont un bug avec XPath à l'intérieur des fragments. La meilleure solution de contournement pour les fragments, c'est comme vous l'avez remarque: au lieu de //foo vous devez utiliser foo|.//foo.

    OriginalL'auteur Pete Duncanson