Question

我正在编写一个简单的RSS解析器（我知道已有很多已编写），我偶然发现了一个问题。假设我有以下RSS提要：

<channel>
  <title>Sunset Boulevard</title>
  <link>http://www.imdb.com/title/tt0043014/</link>
  <description>A hack screenwriter writes a screenplay..</description>
  <language>English</language>
  <item>
    <rating>8.6</rating>
  </item>
</channel>

我有一个方法，通过给定的标签和子标签在简单的哈希中提取它们。这是我的“方法”：

def extract_text_from_tag(text, tag)
  text =~ /<#{tag}.*?>(?<tag_text>.*?)<\/#{tag}>/m ? $~[:tag_text] : ''
end

要解析频道，我首先提取其文本，然后使用预定义标签（标题，链接等）数组，提取其数据。但是，我希望我的正则表达式只匹配我的标记的直接子项。

例如，如果我传递'标题'，'链接'，'描述'，'语言'和'评分'标签，我想匹配所有这些标签，除了'评级'（因为它是项目的孩子））。

Answer 1

我从评论中看到，您必须使用正则表达式而不是正确的XML解析器来解析此RSS源。

然而，作为一个反例，这是使用Nokogiri的解决方案：

doc = Nokogiri::XML(rss_xml_string)
doc.xpath('/channel/*').each do |node| # For each child of the root "channel".
  next if node.children.length > 1 # Skip nodes with multiple children.
  puts node.name + ': ' + node.text
end
# title: Sunset Boulevard
# link: http://www.imdb.com/title/tt0043014/
# description: A hack screenwriter writes a screenplay..
# language: English

Answer 2

有一点需要注意的是，除了正则表达式之外，事情可能会变得复杂，这里有一些建议：

而不是.*?您可以使用[^<>]*?，假设“＆lt;”和“＆gt;”在XML中正确转义。

如果 item 你的例子，但一般来说可能不行。）

如果您仍然需要提取除“可能的子项”之外的“item”（如果有）的内容，则需要使用条件语句，如果我没有记错，则不支持Ruby。

您可以使用一种方法替换它，以测试标记是否包含子元素并相应地应用正则表达式，但它确实变得相当复杂。

正则表达式只匹配直接子标签？

2 个答案: