Question

我有一个Wordpress博客的XML文件，其中包含引号：

<item>
  <title>Brothers Karamazov</title>
  <content:encoded><![CDATA["I think that if the Devil doesn't exist and, consequently, man has created him, he has created him in his own image and likeness."]]></content:encoded>
  <category domain="post_tag" nicename="dostoyevsky"><![CDATA[Dostoyevsky]]></category>
  <category domain="post_tag" nicename="humanity"><![CDATA[humanity]]></category>
  <category domain="category" nicename="quotes"><![CDATA[quotes]]></category>
  <category domain="post_tag" nicename="the-devil"><![CDATA[the Devil]]></category>
</item>

我想要提取的内容包括标题，作者，内容和标签。到目前为止，这是我的代码：

require "rubygems"
require "nokogiri"

doc = Nokogiri::XML(File.open("/Users/charliekim/Downloads/quotesfromtheunderground.wordpress.2013-04-14.xml"))

doc.css("item").each do |item|
  title   = item.at_css("title").text
  tag     = item.at_xpath("category").text
  content = item.at_xpath("content:encoded").text

  #each post will later be pushed to an array, but I'm not worried about that yet, so for now....
  puts "#{title} #{tag}"
end

我很难从每个item获取所有标签。我得到的回报是Brothers Karamazov Dostoyevsky。我并不担心它是如何格式化的，因为它只是一个测试，看它是正确的选择。谁知道我怎么能这样做？

我还想制作大写的标签=作者，所以如果你知道怎么做，那也会有所帮助，虽然我还没有尝试过。

编辑：我将代码更改为：

doc.css("item").each do |item|
  title   = item.at_css("title").text
  content = item.at_xpath("content:encoded").text
  tag     = item.at_xpath("category").each do |category|
        category
  end

  puts "#{title}: #{tag}"
end

返回：

Brothers Karamazov: [#<Nokogiri::XML::Attr:0x80878518 name="domain" value="post_tag">,     #<Nokogiri::XML::Attr:0x80878504 name="nicename" value="dostoyevsky">]

这似乎更容易管理。它搞砸了我从大写标签中获取作者的计划，但是，这并不是一笔交易。我怎么能只拉第二个value？

Answer 1

当at_xpath方法仅返回第一个结果时，您正在使用at_并期望它返回多个结果。

你想要这样的东西：

tags = item.xpath("category").map(&:text)

将返回一个数组。

至于识别作者，您可以使用正则表达式选择以大写字母开头的项目：

author = tags.select{|w| w =~ /^[A-Z]/}

将选择任何大写标签。这使得标签保持不变。如果您希望将作者与标记分开，可以使用partition：

author, tags = item.xpath("category").map(&:text).partition{|w| w =~ /^[A-Z]/}

请注意，在上面的示例中，author是一个数组，将包含所有匹配项（即多个大写标记）。

使用Nokogiri解析Wordpress XML时搜索标签

1 个答案: