Question

我的HTML包含：

<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
   </div>
</div>

我需要使用距离<div>最近的"s"获取所有文字。

例如，我试图获得：

array = []
html.css("s").each do |element|
  array << element.text.strip
end

除了在我的阵列中出现"text2"之外，这一切都很好，我不想要那些。因此，对于"text2"，最接近的<div>有"i"类，我不想在我的数组中看到它。

我该如何解决这个问题？可以有不同的类名和更深的嵌套，例如：

<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
      <div class = "s">
         <p> text3 </p>
         <div class = "p">
           <p> text4 </p>
         </div>
      </div> 
   </div>
</div>

从这里，我想得到一个数组：["text1", "text3"]

Answer 1

更新：更好的仅xpath答案。我原来的答案如下。

# Given a Nokogiri::HTML document in the `html` variable:
html.xpath("//text()[normalize-space() and ancestor::div[1][@class='s']]").map(&:text).map(&:strip)

这只是找到所有非空白文本节点，其最近的div祖先的类别为s。它与我原来的答案是一样的，除了它完全是在XPath中完成的。

<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
   </div>
</div>
# => ["text1"]

<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
      <div class = "s">
         <p> text3 </p>
         <div class = "p">
           <p> text4 </p>
         </div>
      </div>
   </div>
</div>
# => ["text1", "text3"]

<div class = "s">
  <div class='p'>
    text 1
  </div>
  text 2
</div>
# => ["text 2"]

原始答案：

html.search("//div[@class='s']//text()").
  select {|t| t.ancestors("div").first.attr("class") == "s" }.
  map(&:text).join.squeeze.strip
# => "text1"

这里的基本思想是我们找到所有来自div.s的文本节点，然后为每个文本节点找到最近的div祖先，并且只接受具有最近div祖先的节点等级s。

它有点CPU密集型，但它符合严格的要求。

Answer 2

你可以这样做：

html.css('.s > p').map {|node| node.text.strip }

Answer 3

我从这开始：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT, &:noblanks)
<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
      <div class = "s">
         <p> text3 </p>
         <div class = "p">
           <p> text4 </p>
         </div>
      </div> 
   </div>
</div> 
EOT

doc.search('.s').map{ |div| div.child.text.strip } 
# => ["text1", "text3"]

由于HTML格式化，我认为很难找到合适的节点child节点的".s"是包含“\ n”的下一个Text节点。忽略它们很困难，因为它们可能不是文本，它们可能是您想要返回的节点。

诀窍是告诉Nokogiri在解析文档时剥离空白节点，这有效地压平了HTML，删除了所有缩进，使得可以相信目标之后的下一个节点是想要的。 / p>

foobar会导致这种技术失败。

是的，它会，并且需要额外的逻辑来清除那些：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT, &:noblanks)
<div class = "s">
   <p> text1 </p>
   <div class = "i">
      <p> text2 </p>
      <div class = "s">
         <p> text3 </p>
         <div class = "p">
           <p> text4 </p>
         </div>
      </div> 
      <div class='s'><div class='i'>foobar</div></div>
   </div>
</div> 
EOT

这是旧的逻辑：

doc.search('.s').map{ |div| div.child.text.strip } 
# => ["text1", "text3", "foobar"]

快速测试以清除不需要的内容：

doc.search('.s').reject{ |div| div.child['class'] == 'i' }.map{ |div| div.child.text.strip } 
# => ["text1", "text3"]

使用Nokogiri解析HTML并使用最近的＆＃34; <div>＆＃34; </div>获取文本

3 个答案: