Question

我正在尝试解析包含有序列表和DL / DD标记的html。目标是创建一个xml结构，用于逐项列出添加某些属性的EACH标记的内容。在最终效果中展平结构（所需的输出将显示在问题的最后）。

以下是存储在文件中的html示例（在我的代码中包含在test.html中）：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">  
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en" dir="ltr">  
<head>  
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />  
<title>Test Structure</title>  
</head>  
<body>  
<ol><li>Item 1 - Level 1  
<dl><dd>Item 1.1 - Level 2  
</dd><dd>Item 1.2 - Level 2  
</dd></dl>  
</li><li>Item 2 - Level 1  
<dl><dd>Item 2.1 - Level 2  
<dl><dd>Item 2.1.1 - Level 3  
</dd><dd>Item 2.1.2 - Level 3  
<dl><dd>Item 2.1.2.1 - Level 4  
</dd><dd>Item 2.1.2.2 - Level 4  
</dd></dl>  
</dd></dl>  
</dd><dd>Item 2.2 - Level 2  
<dl><dd>Item 2.2.1 - Level 3  
</dd><dd>Item 2.2.2 - Level 3  
<dl><dd>Item 2.2.2.1 - Level 4  
</dd><dd>Item 2.2.2.2 - Level 4  
</dd></dl>  
</dd><dd>Item 2.2.3 - Level 3  
<dl><dd>Item 2.2.3.1 - Level 4  
</dd><dd>Item 2.2.3.2 - Level 4  
</dd></dl>  
</dd><dd>Item 2.2.4 - Level 3  
</dd></dl>  
</dd></dl>  
</li><li>Item 3 - Level 1  
<dl><dd>Item 3.1 - Level 2  
</dd><dd>Item 3.2 - Level 2  
</dd></dl>  
</li></ol>  
</body>  
</html>

HTML输出（此处显示您没有看到在浏览器中看到的缩进）：

Item 1 - Level 1
Item 1.1 - Level 2
Item 1.2 - Level 2

Item 2 - Level 1
Item 2.1 - Level 2
Item 2.1.1 - Level 3
Item 2.1.2 - Level 3
Item 2.1.2.1 - Level 4
Item 2.1.2.2 - Level 4


Item 2.2 - Level 2
Item 2.2.1 - Level 3
Item 2.2.2 - Level 3
Item 2.2.2.1 - Level 4
Item 2.2.2.2 - Level 4

Item 2.2.3 - Level 3
Item 2.2.3.1 - Level 4
Item 2.2.3.2 - Level 4

Item 2.2.4 - Level 3


Item 3 - Level 1
Item 3.1 - Level 2
Item 3.2 - Level 2

期望的输出：

<job>  
<req level='1'>Item 1 - Level 1</req>  
<req level='1.1'>Item 1.1 - Level 2</req>  
<req level='1.2'>Item 1.2 - Level 2</req>  
<req level='2'>Item 2 - Level 1</req>  
<req level='2.1'>Item 2.1 - Level 2</req>  
<req level='2.1.1'>Item 2.1.1 - Level 3</req>  
<req level='2.1.2'>Item 2.1.2 - Level 3</req>  
<req level='2.1.2.1'>Item 2.1.2.1 - Level 4</req>  
<req level='2.1.2.2'>Item 2.1.2.2 - Level 4</req>  
<req level='2.2'>Item 2.2 - Level 2</req>  
<req level='2.2.1'>Item 2.2.1 - Level 3</req>  
<req level='2.2.2'>Item 2.2.2 - Level 3</req>  
<req level='2.2.2.1'>Item 2.2.2.1 - Level 4</req>  
<req level='2.2.2.2'>Item 2.2.2.2 - Level 4</req>  
<req level='2.2.3'>Item 2.2.3 - Level 3</req>  
<req level='2.2.3.1'>Item 2.2.3.1 - Level 4</req>  
<req level='2.2.3.2'>Item 2.2.3.2 - Level 4</req>  
<req level='2.2.4'>Item 2.2.4 - Level 3</req>  
<req level='3'>Item 3 - Level 1</req>  
<req level='3.1'>Item 3.1 - Level 2</req>  
<req level='3.2'>Item 3.2 - Level 2</req>  
</job>

请注意，我们希望从遍历结构而不是从每个LI和DD属性的实际内容派生层次结构...我的示例的内容列出了层次结构（1,1.1,1.2 ......）但是在实际数据中我们不会看到。 “level”属性应该反映结构的遍历。

我是Ruby和Nokogiri的新手，但这是我尝试阅读HTML（没有创建XML）。我被困在分离LI节点和内容。我尝试过使用.each，children.each等等：

require 'rubygems'  
require 'open-uri'  
require 'nokogiri'  

url = "test.html"  
doc = Nokogiri::HTML(open(url))  
line = "1"  
doc.css("ol[1]").children.each do |n|  
    puts line + n.content.to_s  
    line.succ!  
    n.children do |c|  
        puts line + c.content.to_s  
        line.succ!  
    end  
end

Answer 1

您可以使用node_name方法确定什么是文本以及什么是子项，这是一个示例函数，它会在ol下显示html标记的名称：

def traverse(node, indent = 0)
  node.children.each do |child|
    next if child.node_name == "text"
    puts "  "*indent + child.node_name
    traverse(child, indent+1)
  end
end

traverse doc.css("ol[1]")

（我正在跳过的文本节点是标签的文本内容）

如何使用Ruby和Nokogiri解析LI / DL / DD标记结构？

1 个答案: