Question

我正在使用Nokogiri来抓一个看起来像这样的网站：

<div class="BOX">
  <div class="apple">This is an apple.</div>
  <p>Apple a day, doctor away</p>
</div>

<div class="BOX">
  <div class="iphone">This is an iPhone.</div>
  <div class="android">This is an Android.</div>
  <a href="www.apple.com">Apple home page</a>
  <p>Snoop Lion has both. He's rich.</p>
</div>

我想在“BOX”div中删除所有内容。每个“BOX”都有自己独特的div和HTML标签，没有明显的模式。我该怎么做？

我的第一次尝试看起来像这样：

require 'uri-open'
require 'nokogiri'

doc = Nokogiri::HTML(open('http://www.examplesite.com'))
doc.css('BOX').each do |box|
  puts box.content
end

但它什么也没有回报。我可以解释一下发生了什么吗？

Answer 1

你错过了一个点（.）。

没有点，它匹配<BOX>标记。要将元素与class="BOX"匹配，您应该在其前面添加点。

doc.css('.BOX').each do |box|
  #      ^-- here
  puts box.content
end

Answer 2

我认为您应该使用#inner_html方法而不是#content。虽然您的CSS class selector规则是错误的。代码应如下所示：

require 'nokogiri'

doc = Nokogiri::HTML::Document.parse <<-eot
<div class="BOX">
  <div class="apple">This is an apple.</div>
  <p>Apple a day, doctor away</p>
</div>

<div class="BOX">
  <div class="iphone">This is an iPhone.</div>
  <div class="android">This is an Android.</div>
  <a href="www.apple.com">Apple home page</a>
  <p>Snoop Lion has both. Hes rich.</p>
</div>
eot

doc.css('.BOX').each do|n|
   p n.inner_html
end

<强>输出：

  <div class="apple">This is an apple.</div>
  <p>Apple a day, doctor away</p>

  <div class="iphone">This is an iPhone.</div>
  <div class="android">This is an Android.</div>
  <a href="www.apple.com">Apple home page</a>
  <p>Snoop Lion has both. He's rich.</p>

#content将通过删除每个div节点内的html包装器为您提供所有文本。请参阅下文：

doc.css('.BOX').each do|n|
   puts n.content
end

<强>输出：

  This is an apple.
  Apple a day, doctor away

  This is an iPhone.
  This is an Android.
  Apple home page
  Snoop Lion has both. He's rich.

如何使用Nokogiri获取div中的所有内容？

2 个答案: