xml2::read_html指定options时丢失JSON-LD内HTML闭合标签的技术问询

问题重现 #

在R中使用xml2::read_html()默认调用时，能正常保留JSON-LD脚本中的HTML闭合标签：

library(xml2)
library(magrittr)
library(rvest)

test_ld <- '<script type="application/ld+json">{"@context":"http://schema.org","@type":"ReproducibleExample", "description":"<p><strong>text within tags</strong>text after closing tag</p>"'

# 默认调用：标签完整保留
test_ld %>% 
  read_html() %>% 
  html_node('script[type="application/ld+json"]') %>% 
  as.character()

输出中description字段的HTML标签完整：<p><strong>text within tags</strong>text after closing tag</p>

但一旦指定任何自定义options参数（如HUGE、NOBLANKS），JSON-LD中的HTML闭合标签会被自动移除：

# 带自定义选项：闭合标签丢失
test_ld %>% 
  read_html(options = 'HUGE') %>% 
  html_node('script[type="application/ld+json"]') %>% 
  as.character()

输出中description字段变为：<p><strong>text within tagstext after closing tag

原因分析 #

xml2底层依赖libxml2解析HTML，默认情况下libxml2会将<script>标签的内容视为CDATA原始文本，不会解析其中的HTML标签。但当手动指定options参数时，会覆盖默认的解析配置，导致script内容被当作普通HTML解析，其中的闭合标签被错误处理。

解决办法 #

在自定义options中显式添加SCRIPT_CDATA选项，强制libxml2将script内容视为原始文本，从而保留其中的HTML标签。示例代码如下：

1. 结合HUGE选项使用 #

test_ld %>% 
  read_html(options = c('HUGE', 'SCRIPT_CDATA')) %>% 
  html_node('script[type="application/ld+json"]') %>% 
  as.character()

2. 结合NOBLANKS选项使用 #

test_ld %>% 
  read_html(options = c('NOBLANKS', 'SCRIPT_CDATA')) %>% 
  html_node('script[type="application/ld+json"]') %>% 
  as.character()

3. 空选项场景 #

如果需要使用空选项但保留默认的script处理行为，同样显式添加SCRIPT_CDATA：

test_ld %>% 
  read_html(options = 'SCRIPT_CDATA') %>% 
  html_node('script[type="application/ld+json"]') %>% 
  as.character()

以上代码的输出都会完整保留JSON-LD中的HTML闭合标签，同时满足自定义解析选项的需求。

内容的提问来源于stack exchange，提问作者sbha