我想了解Nokogiri。有没有人有一个链接到Nokogiri解析/刮擦的基本例子显示结果树。认为这真的有助于我理解。
答案 0 :(得分:10)
使用IRB和Ruby 1.9.2:
加载Nokogiri:
1.9.2-p290 :001 > require 'nokogiri'
true
解析文件:
1.9.2-p290 :002 > doc = Nokogiri::HTML('<html><body><p>foobar</p></body></html>')
#<Nokogiri::HTML::Document:0x1012821a0
@node_cache = [],
attr_accessor :errors = [],
attr_reader :decorators = nil
Nokogiri喜欢结构良好的文档。请注意,它添加了DOCTYPE
,因为我将其解析为文档。
1.9.2-p290 :003 > doc.to_html
"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body><p>foobar</p></body></html>\n"
搜索文档以使用CSS查找第一个<p>
节点并获取其内容:
1.9.2-p290 :004 > doc.at('p').text
"foobar"
使用不同的方法名称来执行相同的操作:
1.9.2-p290 :005 > doc.at('p').content
"foobar"
在文档中搜索<p>
标记内的所有<body>
个节点,然后获取第一个节点的内容。 search
返回一个节点集,类似于节点数组。
1.9.2-p290 :006 > doc.search('body p').first.text
"foobar"
更改节点的内容:
1.9.2-p290 :007 > doc.at('p').content = 'bar'
"bar"
将解析后的文档发送为HTML:
1.9.2-p290 :008 > doc.to_html
"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body><p>bar</p></body></html>\n"
删除节点:
1.9.2-p290 :009 > doc.at('p').remove
#<Nokogiri::XML::Element:0x80939178 name="p" children=[#<Nokogiri::XML::Text:0x8091a624 "bar">]>
1.9.2-p290 :010 > doc.to_html
"<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body></body></html>\n"
关于抓取,关于使用Nokogiri从网站撕开HTML有很多问题。在StackOverflow中搜索“nokogiri and open-uri”应该会有所帮助。