Question

我有一些格式不正确的HTML（例如下面的那个），我想获得其文本与给定正则表达式匹配的叶节点（没有任何其他子节点）：

<html>
  <head>
    <title>co20140725-ex99_1.htm</title>
  </head>
  <body bgcolor="#ffffff" style="DISPLAY: inline; FONT-FAMILY: Times New Roman; FONT-SIZE: 10pt">
  <div>
  <div style="TEXT-ALIGN: left">&#160;</div>
  <div style="TEXT-ALIGN: right">EXHIBIT 99.1</div>
  <div style="TEXT-ALIGN: left">&#160;</div>
  <div style="TEXT-ALIGN: left">
  <div style="TEXT-INDENT: 0pt; DISPLAY: block; MARGIN-LEFT: 0pt; MARGIN-RIGHT: 0pt" align="left">
  <div style="TEXT-ALIGN: center"><font style="FONT-WEIGHT: bold">ANNOUNCES</font></div>
</html>

我正在使用cheerio，它基本上实现了jQuery遍历API。到目前为止我尝试过的事情：

:contains选择器不支持正则表达式，甚至不区分大小写的文本：
```
var text = $('body').filter(':contains("ANNOUNCES")');
```

each，然后是标准JavaScript match：

$('body').each(function (i, elem) {
  if ($(this).text().match(/announces/i)) {
    var text = $(this).text();
  }
}

children，但它会输出一个字符串，该字符串是HTML中的所有文字：

$('p, b, div, font').children(':contains("string I\'m looking for but this isn\'t case-sensitive like match is")').children().first().text();

我认为问题在于嵌套儿童的数量可变，并且出于某种原因，我确实获得了所有元素，但他们每个人都有一群孩子，我还没有能够只需遍历它们并测试文本。

您可以看到有一堆可变嵌套的元素，通常.find()可用于搜索<body>但.find()和.filter()中的所有元素在这种情况下根本不工作。

关于如何在此HTML中正则搜索文本的任何想法？

可以找到完整的示例HTML here。

Answer 1

澄清后，问题分为两部分：

Get only the leaf nodes，即那些没有自己孩子的人，但只包含你之后的文字。这将避免您使用children进行第三种方法时遇到的问题。有两种方法可以做到这一点：
- *:not(:has('*'))选择器
- 选择所有元素（'*'），然后筛选零孩子的节点。这比流行的复杂选择器方法快几倍。
为textContent与正则表达式匹配的人筛选叶节点。

以下是代码：

$('*').map(function() {
  if (this.children.length) return null;
  if (this.textContent.match(/N/)) return this.textContent;
});

Here's the JSBin.（忽略window.runnerWindow.proxyConsole无关的输出;它是一个JSBin工件。）

正则表达式使用Cheerio搜索格式不佳的HTML的叶节点

1 个答案: