Question

我试图使用Nokogiri从HTML文档中获取所有节点。如果你们认为它更容易，我可以使用别的东西。

我有这个HTML：

<html>
<body>
  <h1>Header1</h1>
  <h2>Header22</h2>
  <ul>
    <li>Li1</li>
    <ul>
       <li>Li1</li>
       <li>Li2</li>
    </ul>
  </ul>
</body>
</html>

字符串版本：

string_page = "<html><body><h1>Header1</h1><h2>Header22</h2><ul><li>Li1</li><ul><li>Li1</li><li>Li2</li></ul></ul></body></html>"

我创建了一个对象：

page = Nokogiri.HTML(string_page)

我试图遍历它：

result = []
page.traverse { |node| result << node.name unless node.name == "text" }
=> ["html", "h1", "h2", "li", "li", "li", "ul", "ul", "body", "html", "document"]

但我不喜欢的是元素的顺序。我需要一个具有相同顺序的数组：

["html", "body", "h1", "h2", "ul", "li", "ul", "li", "li" ]

我不需要关闭标签。

有没有人有更好的解决方案来实现这个目标？

Answer 1

如果要按顺序查看节点，请使用类似'*'的XPath选择器，这意味着＆＃34;所有内容＆＃34;，从根节点开始：

require 'nokogiri'
string_page = "<html><body><h1>Header1</h1></body></html>"
doc = Nokogiri::HTML(string_page)
doc.search('*').map(&:name)
# => ["html", "body", "h1"]

但是，我们通常不关心迭代每个节点，我们通常也不想这样做。我们想要查找某个类型的所有节点或单个节点，因此我们在标记中查找地标并从那里开始：

doc.at('h1').text # => "Header1"

或：

html = "<html><body><table><tr><td>cell1</td></tr><tr><td>cell2</td></tr></h1></body></html>"
doc = Nokogiri::HTML(html)
doc.search('table tr td').map(&:text) # => ["cell1", "cell2"]

或：

doc.search('tr td').map(&:text) # => ["cell1", "cell2"]

或：

doc.search('td').map(&:text) # => ["cell1", "cell2"]

注意：没有理由使用更长的示例HTML字符串;它只会使问题变得混乱，所以请使用一个最小的例子。

参见＆＃34; How to avoid joining all text from Nodes when scraping＆＃34;还

使用Nokogiri从Ruby中获取HTML文档中的所有节点

1 个答案: