Question

我刚开始学习Ruby。非常酷的语言，喜欢它。

我正在使用非常方便的Hpricot HTML解析器。

我要做的是从页面中获取所有文本，不包括HTML标记。

示例：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
    <head>
        <title>Data Protection Checks</title>
        <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
    </head>
    <body>
        <div>
        This is what I want to grab.
        </div>
        <p>
        I also want to grab this text
        </p>
    </body>
</html>

我基本上只想抓取文本，所以最终会得到一个像这样的字符串：

“这就是我想要抓住的内容。我也想抓住这个文字”

这样做的最佳方法是什么？

干杯

EEF

Answer 1

您可以使用XPath text()选择器执行此操作。

require 'hpricot'
require 'open-uri'

doc  = open("http://stackoverflow.com/") { |f| Hpricot(f) }
text = (doc/"//*/text()") # array of text values
puts text.join("\n")

然而，这是一项相当昂贵的操作。可能有更好的解决方案。

Answer 2

您可能想尝试使用inner_text。

像这样：

h = Hpricot("<html><body><a href='http://yoursite.com?utm=trackmeplease'>http://yoursite.com</a> is <strong>awesome</strong>")
puts h.inner_text
http://yoursite.com is awesome

Answer 3

@weppos：这会更好一点：

text = doc/"//p|div/text()" # array of text values

Hpricot，从文档中获取所有文本

3 个答案: