Question

我想用Nokogiri解析一个HTML页面。页面的一部分有一个表，它不使用任何特定的ID。是否可以提取类似的内容：

Today,3,455,34
Today,1,1300,3664
Today,10,100000,3444,
Yesterday,3454,5656,3
Yesterday,3545,1000,10
Yesterday,3411,36223,15

从这个HTML：

<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>

Answer 1

作为一个快速而肮脏的第一关，我会这样做：

html = <<EOT
<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>
EOT

#    Today              Yesterday
#    Qnty Size   Length Length Size  Qnty
#    3    455    34     3454   5656  3
#    1    1300   3664   3545   1000  10
#    10   100000 3444   3411   36223 15


require 'nokogiri'

doc = Nokogiri::HTML(html)

使用CSS查找表的开头，并定义一些位置来保存我们正在捕获的数据：

table = doc.at('div#__DailyStat__ table')

today_data     = []
yesterday_data = []

循环遍历表格中的行，拒绝标题：

table.search('tr').each do |tr|

  next if (tr['class'] == 'blh')

初始化数组以捕获每行的相关数据，有选择地将数据推送到适当的数组中：

  today_td_data     = [ 'Today'     ]
  yesterday_td_data = [ 'Yesterday' ]

  tr.search('td').each do |td|
    if (td['class'] == 'r')
      yesterday_td_data << td.text.to_i
    else
      today_td_data << td.text.to_i
    end
  end

  today_data     << today_td_data
  yesterday_data << yesterday_td_data

end

输出数据：

puts today_data.map{ |a| a.join(',') }
puts yesterday_data.map{ |a| a.join(',') }

> Today,3,455,34
> Today,1,1300,3664
> Today,10,100000,3444
> Yesterday,3454,5656,3
> Yesterday,3545,1000,10
> Yesterday,3411,36223,15

为了帮助您可视化正在发生的事情，在“tr”循环的退出处，today_data和yesterday_data数组是数组数组，如下所示：

[["Today", 3, 455, 34], ["Today", 1, 1300, 3664], ["Today", 10, 100000, 3444]]

或者，不是循环遍历“td”标记并感知标记的类，我可以抓住“tr”的内容然后使用scan来获取数字并切割结果数组进入“今天”和“昨天”阵列：

  tr_data = tr.text.scan(/\d+/).map{ |i| i.to_i }

  today_td_data     = [ 'Today',     *tr_data[0, 3] ]
  yesterday_td_data = [ 'Yesterday', *tr_data[3, 3] ]

在现实世界的发展中，就像在工作中一样，我会使用它而不是我最初写的，因为它很简洁。

请注意我没有使用XPath。在Nokogiri中使用XPath并完成此操作是非常可行的，但为了简单起见，我更喜欢CSS访问器。 XPath可以允许访问单个“td”标记内容，但它也会开始看起来像行噪声，这是我们在编写代码时要避免的，因为它会影响维护。我也可以使用CSS深入到正确的“td”标签，如'tr td.r'，但我认为它不会改进代码，它只是一种替代方式。

如何使用Nokogiri解析纯HTML表？

1 个答案: