Hpricot，从文档中获取所有文本答案

【问题标题】：Hpricot, Get all text from documentHpricot，从文档中获取所有文本
【发布时间】：2009-08-07 09:27:25
【问题描述】：

我刚刚开始学习 Ruby。很酷的语言，很喜欢。

我正在使用非常方便的 Hpricot HTML 解析器。

我要做的是从页面中获取所有文本，不包括 HTML 标记。

例子：

<!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01 Transitional//EN">
<html>
    <head>
        <title>Data Protection Checks</title>
        <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
    </head>
    <body>
        <div>
        This is what I want to grab.
        </div>
        <p>
        I also want to grab this text
        </p>
    </body>
</html>

我基本上只想抓取文本，所以我最终得到了这样的字符串：

“这是我要抓取的，我也想抓取这段文字”

最好的方法是什么？

干杯

伊夫

【问题讨论】：

标签： html ruby hpricot

【解决方案1】：

您可以使用 XPath text() 选择器来做到这一点。

require 'hpricot'
require 'open-uri'

doc  = open("http://stackoverflow.com/") { |f| Hpricot(f) }
text = (doc/"//*/text()") # array of text values
puts text.join("\n")

但是，这是一项相当昂贵的操作。可能会有更好的解决方案。

【讨论】：

@Eef，您可能需要在收集文本数组(doc/"script").each {|js| js.inner_html=''}之前删除javascript代码。

【解决方案2】：

你可能想试试 inner_text。

像这样：

h = Hpricot("<html><body><a href='http://yoursite.com?utm=trackmeplease'>http://yoursite.com</a> is <strong>awesome</strong>")
puts h.inner_text
http://yoursite.com is awesome

【讨论】：

【解决方案3】：

@weppos：这样会好一点：

text = doc/"//p|div/text()" # array of text values

【讨论】：

是的，但这假设他只想要 p 和 div。我想他什么都想要。