Question

我正在抓的东西的输出让我留下了这个：

<li><img class="static" src="pic.jpg"><span id="dynamic1" class="the text">I like turtles</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic2" class="the text">I like bears</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic3" class="the text">I like ruby</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic4" class="the text">I like oranges</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic5" class="the text">I like keyboards</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic6" class="the text">I like movies</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic7" class="the text">I like Android</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic8" class="the text">I like Mac</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic9" class="the text">I like music</span></li>
<li><img class="static" src="pic.jpg"><span id="dynamic10" class="the text">I like boats</span></li>

每次大约有100行，跨度等级不同，“我喜欢海龟”部分每次都不同。

理想情况下，我只想要每行的“我喜欢乌龟”部分。有没有办法得到这个？

示例10行

Answer 1

如果您最终得到一堆像这样的HTML：

<ul>
    <li><img ...><span ...>I want this text</span></li>
    <li><img ...><span ...>I want this text</span></li>
    ...
</ul>

然后，您可以提取<li>，然后从每个<li>中提取文本，同时忽略其中的标记：

texts_you_want = doc.css('li').map(&:text)

这会忽略<img>内的<span>和<li>元素，没有人需要关心他们碰巧会遇到什么类。

Answer 2

遵循＆＃34;惯例＆＃34;来自doc.css()的答案。

Nokogiri允许您对Nokogiri::HTML的结果运行XPath，就好像它是一个格式良好的XML：

text_you_want = doc.xpath("//li/span").map(&:text)

P.S。我执行//而不是根/的原因是因为如果您使用Nokogiri::HTML解析抓取剩余部分，它会将其包装到<html><body>中。将XPath写入您的片段/html/body/li/span看起来有点尴尬：）

清理刮掉的Nokogiri输出

2 个答案: