Question

我有一些HTML页面，其中要提取的内容标有HTML注释，如下所示。

<html>
 .....
<!-- begin content -->
 <div>some text</div>
 <div><p>Some more elements</p></div>
<!-- end content -->
...
</html>

我正在使用Nokogiri并尝试在和条评论之间提取HTML。

我想提取这两个HTML评论之间的完整元素：

<div>some text</div>
<div><p>Some more elements</p></div>

我可以使用此字符回调获取纯文本版本：

class TextExtractor < Nokogiri::XML::SAX::Document

  def initialize
    @interesting = false
    @text = ""
    @html = ""
  end

  def comment(string)
    case string.strip        # strip leading and trailing whitespaces
    when /^begin content/      # match starting comment
      @interesting = true
    when /^end content/
    @interesting = false   # match closing comment
  end

  def characters(string)
    @text << string if @interesting
  end

end

我获得了@text的纯文字版本，但我需要在@html中存储完整的HTML。

Answer 1

在两个节点之间提取内容不是我们正常做的事情;通常我们想要特定节点内的内容。注释是节点，它们只是特殊类型的节点。

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<body>
<!-- begin content -->
 <div>some text</div>
 <div><p>Some more elements</p></div>
<!-- end content -->
</body>
EOT

通过查找包含指定文本的注释，可以找到起始节点：

start_comment = doc.at("//comment()[contains(.,'begin content')]") # => #<Nokogiri::XML::Comment:0x3fe94994268c " begin content ">

一旦找到，那么需要一个存储当前节点的循环，然后查找下一个兄弟，直到找到另一个注释：

content = Nokogiri::XML::NodeSet.new(doc)
contained_node = start_comment.next_sibling
loop do
  break if contained_node.comment?
  content << contained_node
  contained_node = contained_node.next_sibling
end

content.to_html # => "\n <div>some text</div>\n <div><p>Some more elements</p></div>\n"

如何使用Nokogiri在两个HTML评论之间抓取HTML？

1 个答案: