Question

我无法解析不规则嵌入的html标签。有没有办法从节点中删除所有html标签并保留所有文本？

我正在使用代码：

rows = doc.search('//table[@id="table_1"]/tbody/tr')

details = rows.collect do |row|
  detail = {}
  [
    [:word, 'td[1]/text()'],
    [:meaning, 'td[6]/font'],
  ].collect do |name, xpath|
      detail[name] = row.at_xpath(xpath).to_s.strip
    end
  detail
end

使用Xpath：

[:meaning, 'td[6]/font']

生成

:meaning: ! '<font size="3">asking for information specifying <font
    color="#CC0000" size="3">what is your name?</font> /what/ as in, <font color="#CC0000" size="3">I'm not sure what you mean</font>
    /what/ as in <a style="text-decoration: none;" href="http://somesecretlink.com">what</a></font>

另一方面，使用Xpath：

'td/font/text()'

产生

:meaning: asking for information specifying

因此忽略节点的所有子节点。我想要实现的是这个

:meaning: asking for information specifying what is your name? /what/ as in, I'm not sure what you mean /what/ as in what? I can't hear you

Answer 1

这取决于您需要提取的内容。如果您想要字体元素中的所有文本，可以使用以下xpath：

'td/font//text()'

它提取字体标记中的所有文本节点。如果您想要单元格中的所有文本节点，那么：

'td//text()'

您也可以在Nokogiri节点上调用text方法：

row.at_xpath(xpath).text

Answer 2

我前几天为这个问题添加了答案。这是一个非常简单的过程。

看看：Convert HTML to plain text and maintain structure/formatting, with ruby

使用Nokogiri解析内部标签

2 个答案: