如何从ruby中的文本中提取img src内容答案

【问题标题】：How to extract the img src content from a text in ruby如何从ruby中的文本中提取img src内容
【发布时间】：2014-03-26 04:50:10
【问题描述】：

我在 Ruby 的一个变量中有以下字符串。

"<p><img alt=\"\" src=\"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\" style=\"height:533px; width:800px\" /></p>\r\n"

我只想提取src内容，即：

"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\"

在 Ruby 中，如何从 src 属性中提取文本？

【问题讨论】：

你有没有尝试过？
显示为要提取的内容的行 ("/ckeditor...jpg\") 需要在末尾使用非转义双引号以匹配开头的双引号。您需要添加一个（或更可能，我怀疑）将末尾的转义引号更改为非转义引号。

标签： ruby regex string

【解决方案1】：

这应该可以解决问题...

test = '"<p><img alt=\"\" src=\"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\" style=\"height:533px; width:800px\" /></p>\r\n"'
src  = /src=\\"(.*?)\\"/.match(test)

puts src[1] # outputs /ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg

正确解释：

1.) 它寻找src=\"（我们必须用\\ 转义\）。

2.) 一旦找到它，(.*?) 会抓取所有内容，直到下一场比赛。

3.) 下一场比赛是\"（同样我们必须用\\ 转义\）。

Regexp 类的.match 方法返回一个哈希值。在这种情况下，第一个索引是您测试的字符串。哈希的第二个索引将包含您的结果。

或者，如果您不喜欢正则表达式的外观并且更愿意使用 css 选择器，nokogiri 的 css 方法可以帮助您。

require 'nokogiri'

test = "<p><img alt=\"\" src=\"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\" style=\"height:533px; width:800px\" /></p>\r\n"

html = Nokogiri::HTML(test)
html.css("img").attribute('src').to_s # outputs /ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg

【讨论】：

【解决方案2】：

使用 html/xml 解析器，在 ruby 中 Nokogiri 是一个不错的选择。示例：

require 'nokogiri'
html = "<p><img alt=\"\" src=\"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\" style=\"height:533px; width:800px\" /></p>\r\n"
doc = Nokogiri::HTML(html)
src = doc.xpath("//img")[0]['src']

在本例中，xpath 用于提取所有节点，选择第一个，然后将 'src' 属性作为字符串返回。

【讨论】：

短而甜蜜的目标！
不知何故，这似乎是在使用大锤来驱动大头钉。
@Ajay 虽然您接受了这一点，但请查看 Arup 的回答。它使用标准库中的解析器，因此可能更方便:)
@CarySwoveland 视情况而定 - 对于一次性的 hack，正则表达式可以，但 html 非常复杂，因此使用解析器几乎总是适合这项工作的工具。
@Tim 我同意，但似乎 OP 并没有实现复杂的功能，只需要一些小东西。但是，我同意你的观点，如果他们一遍又一遍地实现 html 解析，我会使用 html 解析库。

【解决方案3】：

使用REXML::Document

require 'rexml/document'

doc = REXML::Document.new("<p><img alt=\"\" src=\"/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg\" style=\"height:533px; width:800px\" /></p>\r\n") 
doc.get_elements('//p/img')[0].attribute('src').to_s
# => "/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg"

【讨论】：

我比我的回答更喜欢这个，因为 rexml（我不知道！）在标准库中。
@TimPeters 谢谢你.. :-)

【解决方案4】：

要提取src 和style 之间的字符串，我会使用这个：

text[/src=\"(.*)\"\sstyle=\"/,1]
  #=> "/ckeditor_assets/pictures/35/content_raw_lemon_cheesecake.jpg"

我假设您不希望在所需输出中显示末尾的转义双引号，但如果您这样做，请将正则表达式更改为：

/src=\"(.*)\sstyle=\"/

【讨论】：

我喜欢你不使用依赖！
@Seth，我不熟悉与正则表达式相关的“依赖”一词。请解释一下。
添加外部库。 require 'some-library-to-help-out'.