Question

我发布了一个类似的问题，没有考虑到身体中的多行。我有一个像这样的html，我想提取＆＃34; body＆＃34; （使用Nokogiri）：

html = %q|
    <div class="content">
      <h1>Title 1</h1>
        Lorem ipsum 1

      <h2>Title 2</h2>
        Lorem ipsum 2

      <h3>Title 3</h3>
        <p>paragraph content 1</p>
        <b>Lorem ipsum 3</b>
        <p>paragraph content 2</p>

      <h1>Title 4</h1>
        Lorem ipsum 4

      <h2>Title 5</h2>
        Lorem ipsum 5
   </div>
   |

我想在每个标题标题下提取正文内容，并将它们放入一个数组中，如下所示：

[
  "Lorem ipsum 1",
  "Lorem ipsum 2",
  "<p>paragraph content 1</p><b>Lorem ipsum 3</b><p>paragraph content 2</p>",
  "Lorem ipsum 4",
  "Lorem ipsum 5"
]

然而，当我这样做时：

Nokogiri::HTML(html).
  css("div").
  children.
  reject{|e| e.name =~ /\Ah\d\z/}.
  map{|e| e.to_html.strip}.reject(&:empty?)

我得到了这个数组：

[
  "Lorem ipsum 1",
  "Lorem ipsum 2",
  "<p>paragraph content 1</p>",
  "<b>Lorem ipsum 3</b>",
  "<p>paragraph content 2</p>",
  "Lorem ipsum 4",
  "Lorem ipsum 5"
]

有没有办法提取多行＆＃34; body＆＃34;内容显示我想要的数组？

Answer 1

Nokogiri::HTML(html)
.css("div").children
.slice_before{|e| e.name =~ /\Ah\d\z/}
.map{|a| a.drop(1).map{|e| e.to_html.strip}.join}.reject(&:empty?)

在标头标签下提取多行内容

1 个答案: