Question

使用Nokogiri和Ruby解析HTML表时遇到问题。我的HTML表格结构如下所示

<table>
<tbody>
    <tr>
       <td>Firstname</td>
       <td>Lastname</td>
       <td>Middle</td>
    </tr>
    <tr>
       <td>ding</td>
       <td>dong</td>
       <td>ling</td>
    </tr>
    ....
    ....
    .... {more tr's and td's with similar data exists.}
    ....
    ....
    ....
    ....
    ....       
 </tbody>
 </table>

在上面的HTML表中，我想完全删除第一个和相应的元素，所以删除Firstname，Lastname和Middle，即我想开始仅从第二个文本中删除文本。所以这样我只从第二个或tr [2]得到表的内容，没有列标题。

有人可以提供一些代码来说明如何执行此操作。

感谢。

Answer 1

require 'rubygems'
require 'nokogiri'

doc = Nokogiri::HTML(x)
rows = doc.xpath('//table/tbody/tr[position() > 1]')

# OR

rows = doc.xpath("//table/tbody/tr")
header = rows.shift

在您运行上述两个代码段中的任何一个后，rows将在第一个代码段之后包含每个<tr>...</tr>。例如，puts rows.to_xml打印以下内容：

<tr><td>ding</td>
       <td>dong</td>
       <td>ling</td>
    </tr>

要获取内部文本，删除所有html标记，请运行puts rows.text

ding
       dong
       ling

要仅获取td标记的内部文本，请运行rows.xpath('td').map {|td| td.text }

["ding", "dong", "ling"]

Answer 2

可替换地：

table.css('tr')[1..-1]

或从第2行开始删除文本：

table.css('tr')[1..-1].map{|tr| tr.css('td').map &:text}

Answer 3

由于Nokogiri支持:has CSS pseudo-class，您可以使用

进行标题行

@doc.at_css('table#table_id').css('tr:has(th)')

并且由于它确实支持：不 CSS伪类，您可以使用

获取其他行

@doc.at_css('table#table_id').css('tr:not(:has(th))')

分别。根据您的偏好，您可能希望避免否定，只需使用css('tr:has(td)')。

使用Ruby解析HTML表，Nokogiri省略列标题

3 个答案: