刮痕軌道列表

Question

我想從website刮一個曲目列表。我的相關代碼：

page.css('ol').each do |line| 
    subarray = line.text.strip.split(" - ") 
end 

這使得陣列採取的第一個藝人到第一個索引（我想），但增加了跟蹤和二軌的藝術家進入第二指標是這樣的：

subarray[0] = Rick Wilhite 
subarray[1] = Magic Water [Still Music] 
Edward 
subarray[2] = Into A Better Future [Giegling] 
Kassem Mosse 
subarray[3] = Zolarem [Mikrodisko Recordings] 
After Hours 

我包括嵌套的標籤，所以我的代碼讀取：

page.css('ol li').each do |line| 
    subarray = line.text.strip.split(" - ") 
end 

但這似乎只留下subarray[0]顯示"Klara Lewis"和subarray[1]顯示"Shine [Editions Mego]"，這是曲目列表中的最後一首曲目。所有其他索引值都是空白的。

更復雜的是，我想從最終成爲曲目值的標籤中刪除唱片公司。我相信正確的正則表達式是\[[\d\D]*?\]，但我的印象是這需要在數據進入數組之前應用，以避免迭代數組。我試着將它作爲第二分隔符分割（有' - '一起），沒有工作，我也試圖改變我的代碼來測試它：

page.css('ol').each do |line| 
    subarray = line.text.strip.split("\[[\d\D]*?\]") 
end 

但也好像不工作。任何人都可以幫助我或給我正確的指針？

Answer 1

這裏發生的事情：

page.css('ol')給你整個<ol>與<li>標籤的每一個：

<ol> 
    <li>Rick Wilhite...</li> 
    <li>Edward...</li> 
    ... 
    <li>Klara Lewis...</li> 
</ol> 

當一個大塊進入.each循環，你只能通過運行循環一次。因此，當您應用.split(" - ")方法時，subarray將以-分隔的所有文本填充一次。

在另一方面，page.css('ol li')給你每一個人<li>，像這樣：

<li>Rick Wilhite...</li> 
    <li>Edward...</li> 
    ... 
    <li>Klara Lewis...</li> 

這個時候，你通過循環運行17次，每次一個<li>標籤。第一次通過時，.split(" - ")應用於文本並存儲在subarray變量中。問題是，下次通過循環時，subarray被第二個<li>的分割文本覆蓋。因此，在最後一次通過之後，subarray變量的唯一內容是最終<li>的分割文本：「Klara Lewis」和「Shine [Editions Mego]」。

我認爲你已經掌握瞭如何從網站上刮取的一般想法，但我建議您逐步構建腳本，以便您明確地瞭解每個步驟中所做的操作。例如，使用puts來檢查page.css('ol')爲您提供了什麼以及它與page.css('ol li')有什麼不同。當它經歷一個循環時會發生什麼？當你申請.split()時你會得到什麼？以更慢的速度建設並探索，以確保你明白自己在做什麼，將有助於避免發生死角。希望有所幫助！