Question

如何只获取其中包含其他标记的节点的文本：

<p>hello my website is <a href="www.website.com">click here</a> <b>test</b></p>

我只想要“hello my website is”

这就是我的尝试：

begin
  node = html_doc.css('p')
  node.each do |node|
    node.children.remove
  end
  return (node.nil?) ? ''  : node.text
rescue
  return ''
end

Answer 1

更新2 ：好的，您正在删除node.children.remove的所有子项，包括文本节点，建议的解决方案可能如下所示：

# 1. select all <p> nodes
doc.css('p').
  # 2. map children, and flatten
  map { |node| node.children }.flatten.
  # 3. select text nodes only
  select { |node| node.text? }.
  # 4. get text and join
  map { |node| node.text }.join(' ').strip

此示例返回“hello my website is”，但请注意doc.css('p') als在标记内找到个标记。

更新：抱歉，误读了您的问题，您只想“问好我的网站”，请参阅上面的解决方案，原始答案：

不是直接使用nokogiri，但清洁宝石可能是一个选项：https://github.com/rgrove/sanitize/

Sanitize.clean(html, {}) # => " hello my website is click here test "

仅供参考，它在内部使用了nokogiri。

Answer 2

您的测试用例中没有包含任何与标记交错的有趣文本。

如果您想将Hello World!转换为"Hello !"，那么移除孩子就是一种方法。更简单（并且破坏性更小）就是找到所有文本节点并加入它们：

require 'nokogiri'
html = Nokogiri::HTML('<p>Hello <b>World</b>!</p>')

# Find the first paragraph (in this case the only one)
para = html.at('p') 

# Find all the text nodes that are children (not descendants),
# change them from nodes into the strings of text they contain,
# and then smush the results together into one big string.
p para.search('text()').map(&:text).join 
#=> "Hello !"

如果您想将Hello World!变为"Hello "（无感叹号），您可以这样做：

p para.children.first.text # if you know that text is the first child
p para.at('text()').text   # if you want to find the first text node

正如@Iwe所示，如果您愿意，可以使用String#strip方法从结果中删除前导/尾随空格。

Answer 3

有一种不同的方式可以解决这个问题。而不是去除删除节点，删除这些节点包含的文本：

require 'nokogiri'

doc = Nokogiri::HTML('<p>hello my website is <a href="www.website.com">click here</a> <b>test</b></p>')
text = doc.search('p').map{ |p|
  p_text = p.text
  a_text = p.at('a').text
  p_text[a_text] = ''
  p_text
}

puts text

>>hello my website is  test

这是一个简单的示例，但我们的想法是找到标记，然后在其中扫描包含您不想要的文本的标记。对于每个不需要的标签，抓住他们的文本并从周围的文本中删除它。

在示例代码中，您在a_text分配中有一个不受欢迎的节点列表，循环遍历它们，并迭代删除文本，如下所示：

text = doc.search('p').map{ |p|
  p_text = p.text
  %w[a].each do |bad_nodes|
    bad_nodes_text = p.at(bad_nodes).text
    p_text[bad_nodes_text] = ''
  end
  p_text
}

您返回text，这是个节点的调整文本内容数组。

获取段落的文本，删除所有标记（及其内容）

3 个答案: