Question

我有一个HTML文档，如下所示：

<root><template>title</template>
<h level="3" i="3">Something</h>
<template element="1"><title>test</title></template>
# one
# two
# three
# four
<h level="4" i="5">something1</h>
some random test
<template element="1"><title>test</title></template>
# first
# second
# third
# fourth
<template element="2"><title>testing</title></template>

我想提取：

# one
# two 
# three
# four
# first
# second
# third
# fourth
</root>

换句话说，我希望“<template element="1"><title>test</title></template>之后的所有文字以及之后开始的下一个标记之前。”

我可以使用'//root/text()'获取root之间的所有文本，但如何在某些标记之前和之后获取所有文本？

Answer 1

这似乎有效：

require 'nokogiri'

xml = '<root>
    <template>title</template>
    <h level="3" i="3">Something</h>
    <template element="1">
        <title>test</title>
    </template>
    # one
    # two
    # three
    # four
    <h level="4" i="5">something1</h>
    some random test
    <template element="1">
        <title>test</title>
    </template>
    # first
    # second
    # third
    # fourth
    <template element="2">
        <title>testing</title>
    </template>
</root>
'

doc = Nokogiri::XML(xml)
text = (doc / 'template[@element="1"]').map{ |n| n.next_sibling.text.strip.gsub(/\n  +/, "\n") }
puts text
# >> # one
# >> # two
# >> # three
# >> # four
# >> # first
# >> # second
# >> # third
# >> # fourth

Answer 2

我很确定krusty.ar是正确的，没有内置的方法来实现这一目标。如果您愿意，可以逐个删除根标记内的所有标记。这是一个黑客，但它的工作原理：

doc = Nokogiri::HTML(open(url)) # or Nokogiri::HTML.parse(File.open(file_path))
doc.xpath('//template').remove
doc.xpath('//h').remove
doc

通过您发布的HTML提供您正在寻找的结果。

如何使用Nokogiri在某些标签之后或之前获取文本

2 个答案: