新版truncate_html(不使用hpricot)

参考文献：
http://mikeburnscoder.wordpress.com/2006/11/11/truncating-html-in-ruby/

这里不使用hpricot，而是使用ruby自己带的库rexml中的pullparser
将文件取名为string.rb，并放到rails项目的lib目录下，当然也可以根据需要，改写成helper(我就是这么做的)。

require 'rexml/parsers/pullparser'

class String
  def truncate_html(len = 30)
    p = REXML::Parsers::PullParser.new(self)
    tags = []
    new_len = len
    results = ''
    while p.has_next? && new_len > 0
      p_e = p.pull
      case p_e.event_type
      when :start_element
        tags.push p_e[0]
        results << "<#{tags.last} #{attrs_to_s(p_e[1])}>"
      when :end_element
        results << "</#{tags.pop}>"
      when :text
        results << p_e[0].first(new_len)
        new_len -= p_e[0].length
      else
        results << "<!-- #{p_e.inspect} -->"
      end
    end
    tags.reverse.each do |tag|
      results << "</#{tag}>"
    end
    results
  end

  private

  def attrs_to_s(attrs)
    if attrs.empty?
      ''
    else
      attrs.to_a.map { |attr| %{#{attr[0]}="#{attr[1]}"} }.join(' ')
    end
  end
end

1、首先使用html格式字符串初始化PullParser：

p = REXML::Parsers::PullParser.new(self)

2、然后使用pull函数每次获取一个元素：

e = p.pull

假设字符串为：

str = '<div id="head">some text<h1>head</h1></div>'

那么上面的语句返回一个对象e，其中

e.event_type = :start_element
e[0] = 'div'
e[1] = {"id" => "head"} # 一个保存tag属性的hash

3、再次执行

e = p.pull

那么就会返回一个

e.event_type = :text

的对象。
4、空白和中文字符长度处理
如果要去除字符串的空白，使用：

string.strip

如果要获取包含中文字符的字符串的字符长度（非字节长度），使用：

string.split(//).length