Question

如何从此HTML代码中提取：

<body>
  <div class="div1">
    <div class="div2">
      <div class="div3">
        <div class="div3.1">
          <h2 class="notopgap">HEADER</h2>
          <br>DONT WANT THIS TEXT
          <br><a href='mailto:info@mylink.pt'>info@mylink.pt</a>
          <br><h2>I WANT THIS TEXT</h2>
          <br>TEXT: WANT THIS
          <br>DONT WANT THIS
          <a name='#lev3'></a>
          <h2>FINALLY I WANT THIS TOO</h2><br>
          <div class="div3.1.1">
            BUNCH OF TEXT ...

以下文字：

WANT THIS TEXT
WANT THIS
FINALLY I WANT THIS TOO

与Nokogiri / Ruby？

我可以在div和其他元素之间进行提取，但是当我想要的文本的每个部分之间没有div时，我怎么能这样做，但只有br？

Answer 1

首先，您可以使用以下xpath：

doc = Nokogiri::HTML(html)
doc.xpath("//div[@class='div3.1']/h2[not(@class = 'notopgap')]").map(&:text)

哪个匹配您要提取的两个<h2>标记。提取其他条目更复杂。我的xpath功夫在这方面缺乏，因为它与您不想捕捉的文本处于同一级别。

我可能会退回到与文本匹配。

text = doc.xpath("//div[@class='div3.1']").text()
text.scan(/TEXT:(.*)\n/).flatten

Answer 2

我更喜欢保持简单：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<body>
<div class="div1">
<div class="div2">
<div class="div3">
    <div class="div3.1">
        <h2 class="notopgap">HEADER</h2>
                <br>DONT WANT THIS TEXT
                <br><a href='mailto:info@mylink.pt'>info@mylink.pt</a>
                <br><h2>I WANT THIS TEXT</h2>
                <br>TEXT: WANT THIS
                <br>DONT WANT THIS
                <a name='#lev3'></a>
                <h2>FINALLY I WANT THIS TOO</h2><br>
                    <div class="div3.1.1">
EOT

h2 = doc.search('h2')
h2[1].text                            # => "I WANT THIS TEXT"
doc.search('br')[3].next_sibling.text # => "TEXT: WANT THIS\n                "
h2[2].text                            # => "FINALLY I WANT THIS TOO"

从那时起，很容易清理"TEXT: WANT THIS\n "。

我知道我会有多次点击，所以不是尝试使用XPath来获取我想要的地方，一个简单的CSS会找到有问题的标签，然后我就可以抓住我想要的那个，并继续处理。

如何使用分隔符提取文本？

2 个答案: