不使用引入nokogiri

標籤的目標文本我有我嘗試使用引入nokogiri（關於Ruby）來分析一些非常裸露的HTML：不使用引入nokogiri

<span>Address</span><br /> 
123 Main Street<br /> 
Sometown<br /> 
<span>Telephone</span><br /> 
<a href="tel:212-555-555">212-555-555</a><br /> 

    <span>Hours</span><br /> 
    M-F: 8:00-21:00<br /> 
     Sat-Sun: 8:00-21:00<br /> 
<hr />

我唯一的標記是頁面內容周圍<div>。我想要的每件東西都有一個<span>Address</span>類型標籤。最後可以跟着另一個span或hr。

我想結束地址（「123 Main Street \ nSometown」），電話號碼（「212-555-555」）和開放時間作爲單獨的字段。

有沒有一種方法可以使用Nokogiri獲取信息，或者使用正則表達式執行此操作會更容易嗎？

來源

2013-02-13 nevan king

用'（？= ）'分隔上面的文字？然後清潔標籤？ – nhahtdh 2013-02-13 16:37:04

使用Nokogiri。總是，總是_always_使用正則表達式的解析器來處理HTML/XML，除非你喜歡痛苦。 – iain 2013-02-13 18:03:05

你可以發佈你想要的輸出嗎？ – 2013-02-13 18:24:52

使用Nokogiri and XPath你可以做這樣的事情：（這是a well documented bad idea^TM）

def extract_span_data(html) 
    doc = Nokogiri::HTML(html) 
    doc.xpath("//span").reduce({}) do |memo, span| 
    text = '' 
    node = span.next_sibling 
    while node && (node.name != 'span') 
     text += node.text 
     node = node.next_sibling 
    end 
    memo[span.text] = text.strip 
    memo 
    end 
end 

extract_span_data(html_string) 
# { 
# "Address" => "123 Main Street\nSometown", 
# "Telephone" => "212-555-555", 
# "Hours"  => "M-F: 8:00-21:00\n  Sat-Sun: 8:00-21:00" 
# }

使用合適解析器比使用正則表達式更容易和更強大的

來源

2013-02-13 20:09:42 maerics

感謝您的回答。所以如果我明白了，Nokogiri會將以'
'分開的東西當作單獨的節點來處理？並且只有'memo'的行將條目添加到'reduce（{}）'中給出的哈希中？ – 2013-02-13 22:05:54

是的，在XML/HTML中，「節點」是標籤及其內容或文本塊。所以'「一個
b」'是三個節點，文本：「a」，元素：'
'，文本：「b」。 – maerics 2013-02-13 22:09:40

我想（而不是學習）關於xpath：

d.xpath("span[2]/preceding-sibling::text()").each {|i| puts i} 
# 123 Main Street 
# Sometown 

d.xpath("a/text()").text 
# "212-555-555" 

d.xpath("span[3]/following::text()").text.strip 
# "M-F: 8:00-21:00  Sat-Sun: 8:00-21:00"

第一個以第二個span開頭，並選擇之前的text（）。
您可以在這裏嘗試另一種方法 - 從第一個跨度開始，選擇text（）並結束用於檢查下一個跨度的謂詞。

d.xpath("span[1]/following::text()[following-sibling::span]").each {|i| puts i} 
# 123 Main Street 
# Sometown

如果文檔有更多的跨度，您可以用正確的人開始：
span[x]可以通過span[contains(.,'text-in-span')]
span[3] ==被取代span[contains(.,'Hours')]

糾正我，如果事情是真的錯了。

來源

2013-02-13 22:55:32

不使用引入nokogiri

回答

相關問題