解析字符串
1
2
html_doc = Nokogiri::HTML("<html><body><h1>Mr. Belvedere Fan Club</h1></body></html>")
xml_doc = Nokogiri::XML("<root><aliens><alien><name>Alf</name></alien></aliens></root>")
变量 html_doc 和 xml_doc 都是 Nokogiri 文档，它们有很多有趣的属性和方法，可以点击 这里 了解。
解析文件
不需要将文件读取到字符串，Nokogiri 会自动处理：
1
doc = File.open("blossom.xml") { |f| Nokogiri::XML(f) }
解析网页
1
2
require 'open-uri'
doc = Nokogiri::HTML(URI.open("http://www.threescompany.com/"))
解析选项
Nokogiri 提供了许多影响文档解析方式的选项，可以在 XML::ParseOptions 文档中了解这些选项。
注意，Nokogiri 会默认将输入视为不受信任的文档，从而避免 XXE 或 XML eXternal Entity 处理漏洞。这也意味着 Nokogiri 不会尝试加载外部 DTD 或访问任何外部网络资源。
一些具有安全隐患的常用 解析选项：
- NONET - 解析过程中禁止任何网络连接（默认选项）
⚠ 解析不受信任的文档时取消设置此选项是 不安全 的
- NOENT - 替代实体
⚠ 解析不受信任的文档时设置此选项是 不安全 的
- DTDLOAD DTDVALID - 如果需要 DTD 验证
⚠ 解析不受信任的文档时设置 DTDLOAD 是 不安全 的
- HUGE - 跳过文档大小或 DOM 深度的硬编码限制
⚠ 解析不受信任的文档时设置 HUGE 是 不安全 的
其他常用的 解析选项：
- RECOVER - 尝试从错误中恢复（默认选项）
建议用于解析格式错误或无效的文档
-
NOBLANKS - 删除空白节点
-
NOERROR - 禁止报告错误
- STRICT - 严格解析：解析格式错误的文档时引发错误
可以手动指定这些选项（不推荐）：
1
2
3
doc = Nokogiri::XML(File.open("blossom.xml")) do |config|
config.options = Nokogiri::XML::ParseOptions::STRICT | Nokogiri::XML::ParseOptions::NOBLANKS
end
更常用的做法是在配置对象上使用可链接的快捷方式：
1
2
3
doc = Nokogiri::XML(File.open("blossom.xml")) do |config|
config.strict.noblanks
end
如果想关闭默认设置的选项，可以在配置快捷方式前添加 no 前缀：
1
2
3
doc = Nokogiri::XML(File.open("blossom.xml")) do |config|
config.norecover
end
可能令人感到奇怪但合乎逻辑的 nononet 会重新打开网络连接：
1
2
3
doc = Nokogiri::XML(File.open("blossom.xml")) do |config|
config.nononet
end
编码方式
字符串在内部始终存储为 UTF-8。返回文本值的方法将始终返回 UTF-8 编码的字符串。返回 XML 的方法（如 to_xml、to_html 和 inner_html）将返回与源文件一样编码的字符串。
有些文档声明了一种特定的编码，但使用的却是另一种编码。那么，解析器应该选择哪种编码呢？
记住数据只是字节流，只是人们为字节流增添了意义。任何特定的字节集都可能是多种编码中的有效字符，因此不可能 100% 准确地检测编码。libxml2 尽力在做，但也不可能 100% 正确。
如果想让 Nokogiri 正确处理文档编码，最好的办法是显式设置编码。例如将编码显式设置为 EUC-JP：