jsdom / cheerio大大改变HTML
我想刮一个网站，我有问题与jsdom和cheerio戏剧性地改变他们得到的html。 最值得注意的是，他们删除了一些标签，如table / tr / td标签等
只要有一个本地文件说1.html和做：
// with cheerio -> or equivalent with jsdom var $ = require('cheerio').load(fs.readFileSync(path)); fs.writeFileSync('2.html', $.html()); # bash $> diff 1.html 2.html ..... < <tr><td colspan="5"><a id="stats" name="stats"></a><div class="titlebar1" style="margin-top: 12px;margin-bottom: 4px;"><h2>Stats</h2><div class="element"><img src="img/element/10.png" /></div><div class="elementborder"><img src="img/elementborder.png" /></div></div></td></tr></table></td></div> --- > <tr><td colspan="5"><a id="stats" name="stats"></a><div class="titlebar1" style="margin-top: 12px;margin-bottom: 4px;"><h2>Stats</h2><div class="element"><img src="img/element/10.png"></div><div class="elementborder"><img src="img/elementborder.png"></div></div></div></td></tr> 54,57c53,56 < ..... 编辑：我意识到，这很可能是由于无效的HTML，我的问题是有无论如何，我可以避免这种情况，如果您通常在浏览器中查看页面的元素在那里
更确切地说，我试图刮这个： http ：//www.puzzledragonx.com/en/monster.asp？n = 1
编辑：我意识到，这也是某种浏览器的问题。 如果你用wget下载页面并且粘贴了带有cheerio的HTML，你将会得到不同的html yes，但是浏览器在parsingDOM的时候会去掉这些标签，这使我相信cheerio / jsdom会输出一些奇怪的html
我也通过html w3validation器运行该页面，并且有许多关于doctype的错误，不允许元素被放置在某个位置，但是关于无效标记
它看起来像你的inputHTML格式不正确。 $.html()序列化当前的DOM表示，除非input的HTML在语法上是正确的，否则不会产生相同的HTML。
要理解为什么会发生这种情况，请考虑一下发生了什么。 Cheerio 将 HTML文本parsing为规范化的数据结构。 这个数据结构就是我们所说的DOM：文档对象模型 。 HTML只是这个模型的文本表示; 在cheerioparsingHTML之后，它放弃了input文本（因为它不再需要它）。
当您调用$.html() ，cheerio必须将DOM数据结构转换回文档的文本表示forms。 为此，它通过DOM树recursion并为每个节点生成HTML。 原始inputHTMLstring与输出HTML 无关 ，除了DOM填充了inputHTML。
在这一点上，你应该明白为什么分析HTML时，如果input的HTML格式错误，为了以后输出完全相同的HTML是不可能的。 input文本的parsing和规范化必然是有损的：一个宽容的parsing器必须丢弃没有意义的HTML文本。
你甚至可以在Chrome中看到这个：做你的页面的源代码和由document.documentElement.outerHTML返回的string的差异 。 我们也看到了很多不同之处，特别是在格式不正确的情况下。 （有些差异是脚本运行和变异DOM的结果）。这些工件出现的原因与cheerio，jsdom或任何其他HTMLparsing库相同。
我来到这里寻找同样的问题，（幸运的是）我也在名为tidyHtml的npm上find了一个包。 名字是自我解释，这里是它的链接https://www.npmjs.com/package/htmltidy2 。 尽pipe它在2年前的最后一次提交中处于非活动状态，但它正在做这项工作
清理HTML与运行以下function一样简单：
var tidy = require('htmltidy2').tidy; tidy('<table><tr><td>badly formatted html</tr>', function(err, html) { console.log(html); });
它将标准化HTML并输出：
<!DOCTYPE html> <html> <head> <title></title> </head> <body> <table> <tr> <td>badly formatted html</td> </tr> </table> </body> </html>
我和cheerio一起使用，效果相当不错。 希望它能帮助别人。