使用 Nokogiri 解析内部标签答案

【问题标题】：Parsing inner tags using Nokogiri使用 Nokogiri 解析内部标签
【发布时间】：2011-05-22 21:59:10
【问题描述】：

我无法解析不规则嵌入的 html 标签。有没有办法从节点中删除所有 html 标签并保留所有文本？

我正在使用代码：

rows = doc.search('//table[@id="table_1"]/tbody/tr')

details = rows.collect do |row|
  detail = {}
  [
    [:word, 'td[1]/text()'],
    [:meaning, 'td[6]/font'],
  ].collect do |name, xpath|
      detail[name] = row.at_xpath(xpath).to_s.strip
    end
  detail
end

使用 Xpath：

[:meaning, 'td[6]/font']

生成

:meaning: ! '<font size="3">asking for information specifying <font
    color="#CC0000" size="3">what is your name?</font> /what/ as in, <font color="#CC0000" size="3">I'm not sure what you mean</font>
    /what/ as in <a style="text-decoration: none;" href="http://somesecretlink.com">what</a></font>

另一方面，使用 Xpath：

'td/font/text()'

生成

:meaning: asking for information specifying

因此忽略节点的所有子节点。我想要实现的是这个

:meaning: asking for information specifying what is your name? /what/ as in, I'm not sure what you mean /what/ as in what? I can't hear you

【问题讨论】：

我看不到第一个字体标签在哪里关闭。你试过 at('td/font').text 吗？
Roman，我更正了输出。它确实会生成关闭字体标签。
好的，你试过 row.at_xpath('td[6]/font').text 吗？
谢谢罗曼。你没看错 - .text 是正确答案的组成部分之一。

标签： ruby parsing internationalization nokogiri

【解决方案1】：

这取决于您需要提取的内容。如果您想要字体元素中的所有文本，您可以使用以下 xpath：

'td/font//text()'

它提取字体标签中的所有文本节点。如果你想要单元格中的所有个文本节点，那么：

'td//text()'

您也可以在 Nokogiri 节点上调用 text 方法：

row.at_xpath(xpath).text

【讨论】：

谢谢马克。 .text 起初抛出错误，因为第一个解析的行是空的。我做了rows.each_with_index.collect 而不是rows.collect 并跳过了第一行。和达达！谢谢！

【解决方案2】：

前几天我为同样的问题添加了一个答案。这是一个非常简单的过程。

看看：Convert HTML to plain text and maintain structure/formatting, with ruby

【讨论】：