如何从 Ruby 中的标题元素之间进行选择

Question

我正在编写一个使用 Nokogiri 和 CSS 选择器的 Ruby 脚本。我正在尝试从 HTML 中抓取一些如下所示的数据：

<h2>Title 1</h2>
(Part 1)
<h2>Title 2</h2>
(Part 2)
<h2>Title 3</h2>
(Part 3)

有没有办法仅通过指定代表起点和终点的 h2 元素的文本来从 Part 2 中进行选择？

Part 2 中感兴趣的数据是一个包含 tr 和 td 元素的表，这些元素没有任何 class 或 id 标识符。其他部分也有我不感兴趣的表格。像

page.css('table tr td')

在整个页面上，除了我想要的那个之外，我还会从所有其他表格中进行选择，如果可能的话，我想避免这种情况。

Answer 1

我可能会将此作为第一次尝试：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
  <h2>Title 1</h2>
    (Part 1)
  <h2>Title 2</h2>
    <table>
      <tr><td>(Part 2)</td></tr>
    </table>
  <h2>Title 3</h2>
    (Part 3)
EOT

doc.css('h2')[1].next_element.to_html # => "<table>\n      <tr><td>(Part 2)</td></tr>\n    </table>"

或者，我可以将一些任务传递给 CSS 选择器，而不是使用 css('h2')[1]：

doc.at('h2:nth-of-type(2)').next_element
  .to_html # => "<table>\n      <tr><td>(Part 2)</td></tr>\n    </table>"

next_element 是用于查找当前节点之后的节点的技巧。有许多“下一个”和“上一个”方法，因此请仔细阅读它们，因为它们对于这种情况非常有用。

最后，to_html 用于向我们展示 Nokogiri 在更友好的输出中返回的内容。除非需要输出 HTML，否则您不会使用它。

Answer 2

我可能会将此作为第一次尝试：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
  <h2>Title 1</h2>
    (Part 1)
  <h2>Title 2</h2>
    <table>
      <tr><td>(Part 2)</td></tr>
    </table>
  <h2>Title 3</h2>
    (Part 3)
EOT

doc.css('h2')[1].next_element
  .to_html # => "<table>\n      <tr><td>(Part 2)</td></tr>\n    </table>"

或者，我可以将一些任务传递给 CSS 选择器，而不是使用 css('h2')[1]：

doc.at('h2:nth-of-type(2)').next_element
  .to_html # => "<table>\n      <tr><td>(Part 2)</td></tr>\n    </table>"

一旦您有了表格，就很容易从中获取数据。有很多例子如何做到这一点。

Answer 3

如果您知道这些表将是静态的，并且您需要的数据将始终位于第二个表中。您可以执行以下操作：

page.css('table')[1].css('tr')[3].css('td')

这将为我们获取页面上的第二个表，访问该表的第 4 行并获取该行的所有值。

我没有对此进行测试，但如果我需要的表没有类或标识符，我会这样做。

Answer 4

根据“Is there a CSS selector for elements containing certain text?”，恐怕没有 CSS 选择器对元素文本起作用。先提取“（Part 2）”，然后用Nokogiri选择里面的表格元素怎么样？

text = "" //your string, or content from a file

part2 = text.scan(/<h2>Title 2<\/h2>\s+(.+)?<h2>/ms).first.first

doc = Nokogiri::HTML(part2)

# continue select table elements from doc

(Part 2) 不能包含任何h2 标签，否则正则表达式应该不同。