直接在 Nokogiri 中的标签内获取文本答案

【问题标题】：Get text directly inside a tag in Nokogiri直接在 Nokogiri 中的标签内获取文本
【发布时间】：2012-06-03 16:13:21
【问题描述】：

我有一些看起来像这样的 HTML：

<dt>
  <a href="#">Hello</a>
  (2009)
</dt>

我已经将所有 HTML 加载到一个名为 record 的变量中。如果存在，我需要解析出年份，即 2009 年。

如何获取dt 标签内的文本，而不是a 标签内的文本？我用过record.search("dt").inner_text，这给了我一切。

这是一个微不足道的问题，但我还没有设法弄清楚。

【问题讨论】：

还要注意，实际上dt 内部有两个文本节点（除非您使用noblanks 选项解析HTML）：第一个文本节点是"\n "，在<a> 之前，第二个文本节点是"\n (2009)\n"。

【解决方案1】：

dt 元素有两个子元素，因此您可以通过以下方式访问它：

doc.search("dt").children.last.text

【讨论】：

【解决方案2】：

要获取所有带有文本的直接子级，而不是任何其他子级，您可以像这样使用 XPath：

doc.xpath('//dt/text()')

或者如果你想使用搜索：

doc.search('dt').xpath('text()')

【讨论】：

上面的方法给你一个XML::Text节点的NodeSet；您可能想使用at_xpath（或只是at）来获取单个结果，然后在该节点上调用.content 或.text 方法以从中获取文本作为字符串。

【解决方案3】：

使用 XPath 准确选择您想要的内容（正如 @Casper 所建议的那样）是正确的答案。

def own_text(node)
  # Find the content of all child text nodes and join them together
  node.xpath('text()').text
end

这是另一个有趣的答案:)

def own_text(node)
  node.clone(1).tap{ |copy| copy.element_children.remove }.text
end

实际操作：

require 'nokogiri'
root = Nokogiri.XML('<r>hi <a>BOO</a> there</r>').root
puts root.text       #=> hi BOO there
puts own_text(root)  #=> hi  there

【讨论】：