Est-il possible d'analyser par hxt <textarea> avec <a> dedans?

Question

J'utilise hxt pour analyser certains fichiers html. Il a été déplacé html à l'intérieur <textarea>. hxt donne des résultats invalides (il tombe sur un tag avec du contenu dans ce cas c'est <a>). testcase minimale (pour GHCi) est

let doc = parseHtml "<textarea>before<a>link</a>after</textarea>" 
runX . xshow $ doc //> hasName "textarea" 

qui donne [<textarea>before</textarea><textarea/>] en conséquence.

Il semble que les balises sans contenu (par exemple, <tag/>) ne perturbent pas l'analyse.

Existe-t-il un moyen d'analyser un tel code html avec hxt?

Answer 1

Le problème est que HandsomeSoup (qui je suppose est où votre parseHTML est de) est pointilleux sur des choses comme le fait qu'un textarea ne peut pas contenir un a en HTML valide, et tentera de « réparer » tout de telles erreurs qu'il voit.

Pouvez-vous passer à hxt-tagsoup? Il accepte toujours HTML désordre (éléments non fermées, etc.), mais pas si pointilleux sur le respect du schéma spécifique HTML, il vous permettra d'avoir un a dans un textarea:

import Text.XML.HXT.Core 
import Text.XML.HXT.TagSoup 

let content = "<textarea>before<a>link</a>after</textarea>" 
let doc = readString [ withTagSoup ] content 
runX . xshow $ doc //> hasName "textarea" 

Cette affiche les éléments suivants :

["<textarea>before<a>link</a>after</textarea>"] 

Ce que je pense est ce que vous voulez.