如何使用 ruby 在 HTML <cite> 标签之间获取字符串？答案

【问题标题】：How to use ruby to get string between HTML <cite> tags?如何使用 ruby 在 HTML <cite> 标签之间获取字符串？
【发布时间】：2009-09-18 02:07:14
【问题描述】：

大家好：

我很想从大量的 Google 搜索结果页面中获取一些信息。我唯一需要的是一堆<cite></cite> HTML 标记中的 URL。

我无法以任何其他适当的方式解决这个问题，所以现在我正在转向 ruby。

这是我目前所写的：

require 'net/http'
require 'uri'

url=URI.parse('http://www.google.com.au')
res= Net::HTTP.start(url.host, url.port){|http|
    http.get('/#hl=en&q=helloworld')}
puts res.body

很遗憾，我不能使用推荐的 hpricot ruby gem（因为它错过了 make 命令或其他什么？）

所以我想坚持这种方法。

现在我可以将响应正文作为字符串获取，我唯一需要做的就是检索 ciite 中的任何内容（删除 i 以查看真实名称 :)）HTML 标记。

我该怎么做？使用正则表达式？谁能举个例子？

【问题讨论】：

您为什么不发布一个问题，了解我们如何帮助您解决 hpricot 问题？

标签： ruby-on-rails ruby rubygems

【解决方案1】：

这是使用 Nokogiri 的一种方法：

Nokogiri::HTML(res.body).css("cite").map {|cite| cite.content}

【讨论】：

【解决方案2】：

我认为这会解决它：

res.scan(/<cite>([^<>]*)<\/cite>/imu).flatten

# This one to ignore empty tags:

res.scan(/<cite>([^<>]*)<\/cite>/imu).flatten.select{|x| !x.empty?}

【讨论】：

如果引用中有任何 html 标签，包括斜体、粗体等，这将搞砸。如果开始标签有任何属性，它也会失败，但我不知道谷歌是否曾经这样做。这是处理这两种情况的替代正则表达式： /(.*?)/imu
看起来很有趣，你能详细说明“”部分吗？只是为了记录......
(?:) 是一个非捕获组，因此 (?: .*?) 将非贪婪地匹配空格后跟任何其他字符。这？在括号之后使整个括号成为可选的。换句话说，“”之后，或者是一个空格，然后是一堆其他的东西。
大家好：Google 非常友好，不会在 c i t e 标签中添加任何其他标签:) 这是个好消息，不是吗？

【解决方案3】：

如果您在使用 hpricot 时遇到问题，您也可以尝试 nokogiri，它非常相似，并且可以让您做同样的事情。

【讨论】：

【解决方案4】：

在你想要的标签上拆分字符串。假设只有一个标签实例（或仅指定一个拆分），您将有两部分，我称之为头和尾。取 tail 并在结束标记上拆分它（一次），因此您现在将在新数组中有两个部分。新的头部是标签之间的内容，新的尾部是字符串的其余部分，如果标签出现多次，您可以再次处理。

一个可能不完全正确但你明白的例子：

head1, tail1 = str.split('<tag>', 1) # finds the opening tag
head2, tail2 = tail1.split('</tag>', 1) # finds the closing tag

【讨论】：