Question

当我从HTML或XML中抓取几个相关节点以提取文本时，所有文本都会连接成一个长字符串，从而无法恢复单个文本字符串。

例如：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
    <p>bar</p>
    <p>baz</p>
  </body>
</html>
EOT

doc.search('p').text # => "foobarbaz"

但我想要的是：

["foo", "bar", "baz"]

刮取XML时也是如此：

doc = Nokogiri::XML(<<EOT)
<root>
  <block>
    <entries>foo</entries>
    <entries>bar</entries>
    <entries>baz</entries>
  </block>
</root>
EOT

doc.search('entries').text # => "foobarbaz"

为什么会发生这种情况，我该如何避免呢？

Answer 1

这是一个容易解决的问题，因为没有阅读有关text在NodeSet和Node（或元素）上使用时的行为的文档。

NodeSet documentation说text会：

获取所有包含的Node对象的内部文本

我们看到的是：

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
    <p>bar</p>
    <p>baz</p>
  </body>
</html>
EOT

doc.search('p').text # => "foobarbaz"

，因为：

doc.search('p').class # => Nokogiri::XML::NodeSet

相反，我们希望获取每个节点并提取其文本：

doc.search('p').first.class # => Nokogiri::XML::Element
doc.search('p').first.text # => "foo"

可以使用map完成：

doc.search('p').map { |node| node.text } # => ["foo", "bar", "baz"]

Ruby允许我们使用：

更简洁地编写

doc.search('p').map(&:text) # => ["foo", "bar", "baz"]

无论我们是使用HTML还是XML，都是一样的，因为HTML是一个更轻松的XML版本。

Node有几种别名方法可以获取其嵌入文本。来自the documentation：

#content ⇒ Object

也称为：text，inner_text

返回此节点的内容。

如何在抓取时避免加入节点中的所有文本

1 个答案: