Question

我正在尝试使用Nokogiri从网页获取已定义的规范链接：

<link rel="canonical" href="https://test.com/somepage">

这是href我追求的。

无论我尝试什么，它似乎都不起作用。这就是我所拥有的：

page = Nokogiri::HTML.parse(browser.html)

canon = page.xpath('//canonical/@href')
puts canon

这不会返回任何内容，甚至不会返回错误。

Answer 1

您正在尝试获取该属性，但这不是您的操作方式。

您可以使用：

page.xpath('//link[@rel="canonical"]/@href')

它的含义是：在文档中的任何位置为我提供一个rel属性等于"canonical"的链接元素，当您找到该节点时，请为其提供href属性。

完整的答案是：

page = Nokogiri::HTML.parse(browser.html)

canon = page.xpath('//link[@rel="canonical"]/@href')
puts canon

您尝试做的是获取一个名为“canonical”的节点，而不是属性。

Answer 2

我喜欢在XPath上使用CSS选择器，因为它们更具可读性：

require 'nokogiri'

doc = Nokogiri::HTML('<link rel="canonical" href="https://test.com/somepage">')
doc.at('link[rel="canonical"]')['href'] # => "https://test.com/somepage"

Nokogiri和XPath在访问节点参数时返回的内容让人感到困惑。考虑一下：

require 'nokogiri'

doc = Nokogiri::HTML('<link rel="canonical" href="https://test.com/somepage">')

以下是我使用CSS的方式：

doc.at('link[rel="canonical"]').class # => Nokogiri::XML::Element
doc.at('link[rel="canonical"]')['href'].class # => String

doc.at('link[rel="canonical"]')['href'] # => "https://test.com/somepage"

XPath虽然功能更强大，但也可以让你，或Nokogiri，Ruby或CPU做更多工作。

首先，xpath，即search的XPath特定版本，返回NodeSet，而不是节点或元素。 NodeSet类似于一组节点，如果您不知道自己拥有什么，它们会咬你。来自NodeSet文档：

NodeSet包含Nokogiri :: XML :: Node对象的列表。通常，NodeSet通过Nokogiri :: XML :: Searchable＃css或Nokogiri :: XML :: Searchable #xpath
搜索文档后返回

如果您要查找特定节点，或仅查找特定类型节点的单个实例，请使用at，或者如果您想挑剔，请使用at_css或{{3 }}。（Nokogiri通常可以弄清楚你在使用at或search时的意思，但有时你必须使用特定的方法让Nokogiri在正确的方向上轻推。）使用at上面的示例显示它返回节点本身，一旦您获得了节点，通过将其视为散列来获取任何参数的值是微不足道的。

xpath，search和css都返回NodeSet，因此，就像数组一样，您需要指向您想要的实际元素，然后访问参数：

doc.xpath('//link[@rel="canonical"]/@href').class # => Nokogiri::XML::NodeSet
doc.xpath('//link[@rel="canonical"]/@href').first.class # => Nokogiri::XML::Attr

doc.xpath('//link[@rel="canonical"]/@href').text # => "https://test.com/somepage"

请注意，'//link[@rel="canonical"]/@href'会导致Nokogiri返回Attr对象，而不是文本。你可以打印那个对象，Ruby会对它进行字符串化处理，但是如果你试图像对待它一样，它就不会像String一样导致错误。例如：

doc.xpath('//link[@rel="canonical"]/@href').first.downcase # => NoMethodError: undefined method `downcase' for #<Nokogiri::XML::Attr:0x007faace115d20>

而是使用at_xpath或content获取文本值：

doc.at('//link[@rel="canonical"]/@href').class # => Nokogiri::XML::Attr

doc.at('//link[@rel="canonical"]/@href').text # => "https://test.com/somepage"

或获取元素本身，然后像散列一样访问参数：

doc.at('//link[@rel="canonical"]').class # => Nokogiri::XML::Element

doc.at('//link[@rel="canonical"]')['href'] # => "https://test.com/somepage"

其中任何一个都将返回一个String。

另请注意，在此示例中我没有使用@href返回Attr，我只获取Node本身，然后使用['href']返回参数的文本。它是一个更短的选择器，更有意义，至少对我来说，因为Nokogiri不必返回Attr对象，然后你必须使用text进行转换，或者当你意外时可能遇到问题把它当作一个字符串。

如何使用Nokogiri从HTML头获取规范链接

2 个答案: