Question

我正在尝试创建一个功能，将从维基百科页面中删除演员的电影。这是代码的示例

doca = Nokogiri::HTML(open("http://en.wikipedia.org/wiki/Kevin_Bacon"))

grandparent = doca.xpath('//div[@id="mw-content-text"]').children() 
child = []

grandparent.each {|node|
  node.children.each{|x|
    if x['id'] == "Films"
      child = node.next_element.children
      break
    end
  }
}

子数组的每个元素现在都包含一行影片表。我真正想要的是将每部电影的href链接保存到一个数组中，但是因为它们嵌套在每个部分中而无法访问它们。任何帮助非常感谢

Answer 1

怎么样：

doca.xpath('//div[@id="mw-content-text"]/table//td[2]//i/a').map { |a| a['href'] }

在td内div内直接位于mw-content-text内的列中的任意深度（href）处选择斜体链接，然后将其映射到url = "http://en.wikipedia.org/wiki/Kevin_Bacon" doca.xpath('//div[@id="mw-content-text"]/table//td[2]//a').map { |a| URI(url).merge(a['href']) }属性（即它们的链接值）。您可以更具体，具体取决于您要包含/排除的内容。

如果您希望链接是绝对的而非相对的，则可以将页面URL合并到链接值：

doca.xpath('//div[@id="mw-content-text"]//table[preceding-sibling::*[1][span[@id="Films"]]]//a').map { |a| a['href'] }

更新：

或者，如果您想按照描述的方式搜索链接，可以这样做：

mw-content-text

这说明：在ID为id的div中查找作为表的子项的所有链接，其直接前导兄弟具有带{{1}}“Films”的直接子span标记。有点复杂。

Answer 2

有更好的方法可以进入电影列表：

doca.at('span#Films').parent.search('+ table tr')[1..-1].each do |tr|
  puts tr.at('a')[:href] rescue 'N/A'
end

你应该尽可能避免使用xpath（imho）

Answer 3

要获取/保存所有href链接，只需在给定代码中添加以下行：

hrefs = child.css('td a').map{|i| i.attributes['href'].value}
//puts hrefs

就是这样。因此，获取该表的所有href链接的整个代码片段：

doca = Nokogiri::HTML(open("http://en.wikipedia.org/wiki/Kevin_Bacon"))

grandparent = doca.xpath('//div[@id="mw-content-text"]').children() 
child = []

grandparent.each {|node|
  node.children.each{|x|
    if x['id'] == "Films"
      child = node.next_element.children
      break
    end
  }
}

hrefs = child.css('td a').map{|i| i.attributes['href'].value}
    //puts hrefs

提取Nokogiri每个区域内的值

3 个答案: