Question

现在，我正在将HTML文档拆分成这样的小块：（正则表达式简化 - 跳过标题标记内容和结束标记）

document.at('body').inner_html.split(/<\s*h[2-6][^>]*>/i).collect do |fragment|
  Nokogiri::HTML(fragment)
end

是否有更简单的方法来执行拆分？

文档非常简单，只包含标题，段落和格式化文本。例如：

<body>
<h1>Main</h1>
<h2>Sub 1</h2>
<p>Text</p>
-----
<h2>Sub 2</h2>
<p>Text</p>
-----
<h3>Sub 2.1</h3>
<p>Text</p>
-----
<h3>Sub 2.2</h3>
<p>Text</p>
</body>

对于那个样本，我需要得到四个。

Answer 1

我只需要做类似的事情。我将一个大型HTML文件拆分为“章节”，其中章节由<h1>标记启动。

我还想在散列中保留章节的标题，并忽略第一个<h1>标记之前的所有内容。

以下是代码：

full_book = Nokogiri::HTML(File.read('full-book.html'))
@chapters = full_book.xpath('//body').children.inject([]) do |chapters_hash, child|
  if child.name == 'h1'
    title = child.inner_text
    chapters_hash << { :title => title, :contents => ''}
  end

  next chapters_hash if chapters_hash.empty?
  chapters_hash.last[:contents] << child.to_xhtml
  chapters_hash
end

如何使用Nokogiri分割HTML文档？

1 个答案: