Patches >

htmlsplit / htmlrepair

(2004.10.29) ページを分離した。

Ruby用のHTMLスキャナであるhtmlsplitと、HTML補正器であるhtmlrepairのパッチ。

htmlsplit

htmlsplitは、簡便なHTMLスキャナ。HTMLデータを、開始タグ、終了タグ、文字データなどに区切った配列にする。扱いが容易なのと、おかしなHTMLデータであっても例外を発生させずにできるだけ読もうとする。信頼できない（不正な）HTMLデータをスキャンするのに重宝する。

次のようにして使う。HTMLテキストデータを渡すだけ。HTMLSplit#documentは、開始タグなどを表すオブジェクトの配列になっている。

require "htmlsplit"
scanner = HTMLSplit.new("foobar")
scanner.document.each {|tag| p tag}

実行結果は、次のようになる。

#<StartTag:0xb7f8ce7c @attr=nil, @name="html">
#<CharacterData:0xb7f8cdc8 @text="foobar">
#<EndTag:0xb7f8cb5c @name="body">

各クラスとその意味は次のとおり。

HTMLテキストの文字コードがUTF-8のときに、次のように明示的に指定すると、属性値でのコードポイント0x100以上の文字参照を取り込むようになる。UTF-8でないときは、実体参照（<など）および0xff以下の文字参照のみを取り込む。

require "htmlsplit"
require "htmlsplit"
scanner = HTMLSplit.new("<foo bar='&#x3220;'>", "UTF8")
scanner.document.each {|tag| puts tag}

実行結果は次のとおり。

<foo bar="㈠">

htmlsplitは、簡便なHTMLスキャナなので、動作に一部制限がある。

地の文（要素の内容）の実体参照・文字参照は取り込まない。<や)はそのまま残る。
XML形式の空要素タグの書き方で書いてあっても、empty_tagsにないものは、StartTagオブジェクトを返す。
HTMLは、SGML宣言で"SHORTTAG YES"となっているので、属性名の省略が有効になっている。正しくは、DTDで名前字句の択一式となっている属性は、属性名（値ではない）を省略できる。HTMLSplitでは、{属性値 => true}を返す。

オリジナルのとおり。オリジナルはRuby's（http://www.ruby-lang.org/ja/LICENSE.txtとGPLのデュアルライセンス）。

オリジナルはこちら；Script/Ruby

公開日 / Release Date:

2006.11.11

ファイル / File:

主な変更点 / Changes:

公開日

2005.01.03

内容

パッチ

htmlsplit-1.0.2-q2.diff

公開日

2004.10.29

内容

HTMLデータの文字コードが$KCODE依存になっていたが、明示的に指定できるようにした。 HTMLSplit.new()の第2引数で指定する。UTF-8は、$KCODEに合わせて、"UTF8"
HTMLデータの文字コードがUTF-8のとき、コードポイント0x100以上の文字参照を取り込むようにした。ただし、XMLを参考にし、サロゲート領域などは取り込まない。
XMLスタイルの空要素タグを解釈するようにした。ただし、StartTagと見なす。
不正なタグに対処した。'<'のみ、'<>'、'<0'など。
閉じない開始タグ、閉じない終了タグに対処した。
テストケースを追加した。

パッチ

htmlsplit-1.0.2-q1.diff