Question

我有一个相当长的文本，其中包含HTML标记内的一些字符串（主要是h1和h2）。我需要完全删除它们，这意味着我需要一种方法来查找包含在某些HTML标记中的文本，然后将它们从原始文本中删除。

我尝试使用gsub，但无法弄清楚如何构建正则表达式或有意义的东西。

Answer 1

查找和删除节点很简单：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
<body>
<h1>foo</h1>
<h2>bar</h2>
<p>This is some text</p>
</body>
</html>
EOT

doc.search('h1, h2').remove
puts doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> 
# >> 
# >> <p>This is some text</p>
# >> </body></html>

我正在使用search一个CSS选择器h1, h2，它将找到所有<h1>和<h2>个节点，并将它们作为NodeSet返回。 NodeSet就像一个数组; remove只是遍历NodeSet并删除其所有元素。

如果要查看文本中的节点，请稍微扩展代码：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
<body>
<h1>foo</h1>
<h2>bar</h2>
<h1>baz</h1>
<p>This is some text</p>
</body>
</html>
EOT

doc.search('h1, h2').select{ |n| n.text[/\b(?:foo|bar)\b/] }.map(&:remove)
puts doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> 
# >> 
# >> <h1>baz</h1>
# >> <p>This is some text</p>
# >> </body></html>

text返回节点的文本内容。 /\b(?:foo|bar)\b/在该文字中查找"foo"或"bar"字样。这导致了一个Array，所以我不能使用NodeSet的remove方法。相反，我可以将它传递给map，它将迭代select返回的每个节点，并将Nokogiri :: Node.select发送给它。它有点复杂，但到了那里。

XPath选择器可以查看节点的文本内部以替换部分Ruby代码，但它们非常难看。我更喜欢保持简单。

Answer 2

您无法使用regex来解析HTML（请参阅＆＃34; RegEx match open tags except XHTML self-contained tags＆＃34;）。您可能希望查看像Nokogiri这样的HTML解析gem：

require 'nokogiri'

doc = Nokogiri::HTML(my_html)

h1s = doc.css('h1').map(&:text)
h2s = doc.css('h2').map(&:text)

如何在Ruby中查找和删除用HTML包含的字符串？

2 个答案: