Usando Tidy en JRuby

Question

Después de pasar algunas horas con el Ruby Debugger, finalmente aprendí que tengo que limpiar algunas páginas HTML mal formadas antes de poder enviarlas a Hpricot. La mejor solución que encontré hasta ahora es la interfaz Tidy Ruby .

Tidy funciona muy bien desde la línea de comandos y también funciona la interfaz de Ruby. Sin embargo, requiere dl / import , que no se carga en JRuby:

$ jirb
irb(main):001:0> require 'rubygems'
=> true
irb(main):002:0> require 'tidy'
LoadError: no such file to load -- dl/import

¿Esta biblioteca está disponible para JRuby? Una búsqueda en la web reveló que no estaba disponible el año pasado .

Alternativamente, ¿alguien puede sugerir otras formas de limpiar el código HTML con formato incorrecto en JRuby?

Actualizar

Siguiendo la sugerencia de Markus, ahora uso Tidy a través de popen en lugar de libtidy. Publiqué el código que canaliza los datos del documento a través de tidy para futuras referencias. Con suerte, esto es robusto y portátil.

def clean(data)
    cleaned = nil
    tidy = IO.popen('tidy -f "log/tidy.log" --force-output yes -wrap 0 -utf8', 'w+')
    begin
        tidy.write(data)
        tidy.close_write
        cleaned = tidy.read
        tidy.close_read
    rescue Errno::EPIPE
        $stderr.print "Running 'tidy' failed: " + $!
        tidy.close
    end        
    return cleaned if cleaned and cleaned != ""
    return data
end

Answer 1

Puede usarlo desde la línea de comandos desde JRuby con % x {.. .} o backticks. También puedes considerar popen (y canalizar las cosas a través de él).

Tal vez no sea elegante, pero es más probable que te ayude con un mínimo de problemas que con tratar de meterte con bibliotecas no compatibles.