如何用Nokogiri处理含无效HTML/XML的文档并保留XML标签？

我之前也碰到过类似的棘手需求——既要修复文档里的无效HTML，又得保留那些不合法的XML标签让浏览器能原样展示出来。结合你的情况，给你几个可落地的方案：

方案一：占位符替换法（推荐） #

这个思路的核心是先把XML标签暂时“藏”起来，让Nokogiri专注处理HTML，之后再把XML标签转义后还原，确保浏览器能显示它们：

# 1. 定义需要保留的XML标签（根据你的实际情况调整）
xml_tag_names = %w[SESSION_CONFIG METHODS ADD_USER]
tag_pattern = /<(\/?)(#{xml_tag_names.join('|')})\s*[^>]*>?/

# 2. 用唯一占位符替换所有XML标签，同时记录原始内容
placeholders = {}
counter = 0
temp_doc = document.gsub(tag_pattern) do |match|
  placeholder = "___XML_PLACEHOLDER_#{counter}___"
  placeholders[placeholder] = match
  counter += 1
  placeholder
end

# 3. 用Nokogiri修复HTML
html_doc = Nokogiri::HTML(temp_doc)
fixed_html = html_doc.to_html

# 4. 把占位符换回转义后的XML标签（让浏览器显示标签而非解析）
final_doc = fixed_html.gsub(/___XML_PLACEHOLDER_(\d+)___/) do |match|
  original_tag = placeholders[match]
  # 转义尖括号为HTML实体
  original_tag.gsub('<', '&lt;').gsub('>', '&gt;')
end

# 输出最终结果
puts final_doc

为什么这个方法有效？ #

• 占位符让Nokogiri完全不会触碰XML标签，确保HTML修复逻辑不受干扰；
• 最后转义XML标签的尖括号，浏览器会把它们当作普通文本展示，完美还原你需要的标签样式；
• 正则可以根据你的XML标签特征灵活调整（比如如果标签是小写，就修改xml_tag_names和正则）。

方案二：识别非HTML标签并转义 #

如果你能明确区分HTML标签和XML标签（比如XML标签都是自定义的非标准HTML标签），可以直接用Nokogiri处理后，把非HTML标签转成文本：

doc = Nokogiri::HTML(document)
# 标准HTML标签集合
standard_html_tags = Nokogiri::HTML::ElementDescription::KNOWN_TAGS

# 遍历所有节点，处理非HTML标签
doc.xpath('//*').each do |elem|
  unless standard_html_tags.include?(elem.name.downcase)
    # 拼接原始标签内容（包括属性）并转义
    attr_str = elem.attributes.map { |k, v| "#{k}=\"#{v.value}\"" }.join(' ')
    tag_open = elem.name + (attr_str.empty? ? '' : " #{attr_str}")
    escaped_content = "<#{tag_open}>"
    # 如果Nokogiri自动补全了闭合标签，也需要转义
    escaped_content += "</#{elem.name}>" if elem.children.empty? && elem.closing?

    # 替换当前元素为转义后的文本节点
    elem.replace(Nokogiri::XML::Text.new(escaped_content, doc))
  end
end

puts doc.to_html

注意点 #

这个方法依赖Nokogiri的标准HTML标签集合，如果你有自定义的HTML标签，可能会被误判成XML标签，需要额外调整判断逻辑。

避坑提醒 #

• 不要直接用正则全局替换<和>，会把正常的HTML标签也转义掉，完全破坏HTML结构；
• Nokogiri的XML解析器不适合处理混合HTML的场景，会把HTML标签当作XML处理，导致更多格式问题；

你可以根据自己文档里标签的实际特征选择方案，调整正则或标签判断逻辑，应该能完美解决你的需求。

内容的提问来源于stack exchange，提问作者ankur