libxml-ruby 解析帮助答案

【问题标题】：libxml-ruby parsing HELPlibxml-ruby 解析帮助
【发布时间】：2009-08-23 16:18:21
【问题描述】：

好吧，由于速度和 _why 的消失，从工作的 Hpricot 切换到 Libxml-ruby，看了 Nokogiri 片刻，但决定看看 Libxml-ruby 的速度和寿命。我一定遗漏了一些基本的东西，但我试图做的却不起作用，这是我的 XML 字符串：

<?xml version="1.0" encoding="utf-8" ?>
<feed>
  <title type="xhtml"></title>
  <entry xmlns="http://www.w3.org/2005/Atom">
    <id>urn:publicid:xx.xxx:xxxxxx</id>
    <title>US--xxx-xxxxx</title>
    <updated>2009-08-19T15:49:51.103Z</updated>
    <published>2009-08-19T15:44:48Z</published>
    <author>
      <name>XX</name>
    </author>
    <rights>blehh</rights>
    <content type="text/xml">
      <nitf>
        <head>
          <docdata>
            <doc-id regsrc="XX" />
            <date.issue norm="20090819T154448Z" />
            <ed-msg info="Eds:" />
            <doc.rights owner="xx" agent="hxx" type="none" />
            <doc.copyright holder="xx" year="2009" />
          </docdata>
        </head>
        <body>
          <body.head>
            <hedline>
              <hl1 id="headline">headline</hl1>
              <hl2 id="originalHeadline">blah blah</hl2>
            </hedline>
            <byline>john doe<byttl>staffer</byttl></byline>
            <distributor>xyz</distributor>
            <dateline>
              <location>foo</location>
            </dateline>
          </body.head>
          <body.content>
            <block id="Main">
              story content here
            </block>
          </body.content>
          <body.end />
        </body>
      </nitf>
    </content>
  </entry>  
</feed>

完整的提要中大约有 150 个这样的条目。

我只想遍历 150 个条目，然后提取内容和属性，但我用 libxml-ruby 玩得很开心，因为它与 Hpricot 一起工作得很好。

这个小sn-p表明我什至没有得到条目：

parser = XML::Parser.string(file)
doc = parser.parse
entries = doc.find('//entry')
puts entries.size
entries.each do |node|
  puts node.inspect
end

有什么想法吗？我浏览了文档，找不到一个简单的 XML 文件，这里是获取 x,y,z 的示例。这应该很简单。

【问题讨论】：

标签： ruby nokogiri hpricot libxml-ruby

【解决方案1】：

Nokogiri 已被证明具有一定的速度和寿命，因此这里有一些示例来说明如何处理示例 XML 中的命名空间。我将 Nokogiri 用于一个大型 RDF/RSS/Atom 聚合器，该聚合器每天处理数千个提要，使用类似的东西来获取我想要的字段，然后再将它们推送到后端数据库。

require 'nokogiri'

doc = Nokogiri::XML(file)
namespace = {'xmlns' => 'http://www.w3.org/2005/Atom'}

entries = []
doc.search('//xmlns:entry', namespace).each do |_entry|

  entry_hash = {}

  %w[title updated published author].each do |_attr|
    entry_hash[_attr.to_sym] = _entry.at('//xmlns:' << _attr, namespace).text.strip
  end

  entry_hash[:headlines] = _entry.search('xmlns|hedline > hl1, xmlns|hedline > hl2', namespace).map{ |n| n.text.strip }
  entry_hash[:body]      = _entry.at('//xmlns:body.content', namespace).text.strip
  entry_hash[:title]     = _entry.at('//xmlns:title', namespace).text

  entries << entry_hash
end

require 'pp'
pp entries 
# >> [{:title=>"US--xxx-xxxxx",
# >>   :updated=>"2009-08-19T15:49:51.103Z",
# >>   :published=>"2009-08-19T15:44:48Z",
# >>   :author=>"XX",
# >>   :headlines=>["headline", "blah blah"],
# >>   :body=>"story content here"}]

Nokogiri 中的 CSS 和 XPath 都可以处理命名空间。 Nokogiri 将通过获取根节点中定义的所有命名空间来简化使用它们，但是，在这个 XML 示例中，命名空间是在入口节点中定义的，因此我们需要手动进行。

我将标题改用 CSS 表示法，只是为了展示如何使用它们。为方便起见，Nokogiri 通常允许 CSS 使用通配符命名空间，前提是它能够找到命名空间声明，这将简化 hl1 节点的 '|headline > hl1' 访问器。

【讨论】：

我忘了回到这个帖子，但是是的，我做了类似 Tin

【解决方案2】：

我怀疑您遇到问题是由于跳过了查找中的命名空间。如果您查看xpath documentation for libxml-ruby，他们有一些非常相关的示例。具体来说，您的 find 可能应该像 entries = doc.find('//atom:entry', 'atom:http://www.w3.org/2005/Atom') 那样格式正确。

【讨论】：