使用 ruby 和 nokogiri 使用 HTML 注释作为标记来解析 HTML答案

【问题标题】：Using ruby and nokogiri to parsing HTML using HTML comments as markers使用 ruby 和 nokogiri 使用 HTML 注释作为标记来解析 HTML
【发布时间】：2010-11-13 14:12:46
【问题描述】：

如何使用 ruby 从包含这些行的表中提取信息？是否可以使用 nokogiri 检测 cmets？

<!-- Begin Topic Entry 4134 --> 
    <tr> 
        <td align="center" class="row2"><image src='style_images/ip.boardpr/f_norm.gif' border='0'  alt='New Posts' /></td> 
        <td align="center" width="3%" class="row1">&nbsp;</td> 
        <td class="row2"> 
            <table class='ipbtable' cellspacing="0"> 
                <tr> 

<td valign="middle"><alink href='http://www.xxx.com/index.php?showtopic=4134&amp;view=getnewpost'><image src='style_images/ip.boardpr/newpost.gif' border='0'  alt='Goto last unread' title='Goto last unread' hspace=2></a></td> 

                    <td width="100%"> 
                    <div style='float:right'></div> 
                    <div> <alink href="http://www.xxx.com/index.php?showtopic=4134&amp;hl=">EXTRACT LINK 1</a>  </div> 
                    </td> 
                </tr> 
            </table> 
            <span class="desc">EXTRACT DESCRIPTION</span> 
        </td> 
        <td class="row2" width="15%"><span class="forumdesc"><alink href="http://www.xxx.com/index.php?showforum=19" title="Living">EXTRACT LINK 2</a></span></td> 
        <td align="center" class="row1" width='10%'><alink href='http://www.xxx.com/index.php?showuser=1642'>Mr P</a></td> 
        <td align="center" class="row2"><alink href="javascript:who_posted(4134);">1</a></td> 
        <td align="center" class="row1">46</td> 
        <td class="row1"><span class="desc">Today, 12:04 AM<br /><alink href="http://www.xxx.com/index.php?showtopic=4134&amp;view=getlastpost">Last post by:</a> <b><alink href='http://www.xxx.com/index.php?showuser=1649'>underft</a></b></span></td> 
    </tr> 
<!-- End Topic Entry 4134 -->
-->

【问题讨论】：

你能提供一个更具体的例子吗？具体输入输出？
@Michael：有示例文本，它出现在预览中，但不在问题中。现在修复它...

标签： html ruby parsing comments nokogiri

【解决方案1】：

尝试改用xpath：

html_doc = Nokogiri::HTML("<html><body><!-- Begin Topic Entry 4134 --></body></html>") 
html_doc.xpath('//comment()')

【讨论】：

我相信这应该是公认的解决方案，因为它是最直接的。

【解决方案2】：

您可以实现 Nokogiri SAX Parser。这比乍看起来要快。你会得到元素、属性和评论的事件。

在您的解析器中，您应该记住状态，例如 @currently_interested = true 以知道要记住哪些部分，哪些不。

【讨论】：