Question

参考页：http://www.ncbi.nlm.nih.gov/pubmed/?term=NS044283[GR]&dispmax=200&report=xml

XML嵌入在返回的HTML页面的<pre>标记下。我可以提取<pre>标记的内容，但我无法正确地将其转换为XML。我尝试使用NodeSet类的to_xml方法，但似乎行结尾（\n）搞乱了解析。

以下是我的代码片段：

url = "http://www.ncbi.nlm.nih.gov/pubmed/?term=NS044283[GR]&dispmax=200&report=xml"
doc = Nokogiri::XML(open(url))
pre = doc.xpath('//pre')
xml = pre.to_xml
contents = Nokogiri::XML(xml)
articles = contents.xpath('\\PubmedArticle')
(article = [])

Answer 1

既然您打算使用Nokogiri来解析它，只需拨打content而不是to_xml：

require 'nokogiri'
require 'open-uri'
url = "http://www.ncbi.nlm.nih.gov/pubmed/?term=NS044283[GR]&dispmax=200&report=xml"
doc = Nokogiri::XML(open(url))
pre = doc.xpath('//pre')
xml = "<root>" + pre.text + "</root>"
contents = Nokogiri::XML(xml)
articles = contents.css('PubmedArticle')
puts contents.css('ArticleTitle').map{|x| x.content}.count   
=> 25

Answer 2

正在检索的文档不是有效的XML或HTML。对创造它的人感到羞耻。

这是前200个字符，显示出一些混乱：

require 'open-uri'
url = "http://www.ncbi.nlm.nih.gov/pubmed/?term=NS044283[GR]&dispmax=200&report=xml"
puts open(url).read[0..200]

返回：

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<pre>
&lt;PubmedArticle&gt;
    &lt;Medl

幸运的是，或者，也许是坚定的，Nokogiri通过对格式错误的HTML有点宽容来解决这个问题。

Answer 3

嵌入式XML无效（HTML转义）。试着忘掉它吧

...
xml = CGI.unescapeHTML(pre.to_xml) # or CGI.unescapeHTML(pre.to_s)
...

从HTML中提取XML？

3 个答案: