Nokogiri：解析没有打开标签的html表的行

Question

我需要解析一个格式如下的html表格：

require 'nokogiri'

html_table = '<table>
    <tbody>
        <tr>
            <td>Some text in the first row!</td>
            <td>More text in the first row!</td>
        </tr>
        <td>Some text in the second row!</td>
        <td>More text in the second row!</td> </tr>
        <td>Some text in the third row!</td>
        <td>More text in the third row!</td>  </tr>
    </tbody>
</table>'

如您所见，最后两行没有打开的<tr> 标记。当我尝试使用puts Nokogiri::HTML(html_table).css('table tr') 获取所有三行时，代码被清除，最后两行变为td 节点：

<tr>
    <td>Some text in the first row!</td>
    <td>More text in the first row!</td>
</tr>

当没有结束标签</tr> 时，我在网上找到了一些解决此问题的方法，但反之则不行。 有没有使用 Nokogiri 解决此问题的简单方法？

Answer 1

我认为这是由于 Nokogiri 的解析错误。 一个可能的解决方案是使用 Nokogumbo gem，它扩展了 nokogiri 的能力以更正确地解析。 通过以下方式安装：

gem install nokogumbo

而不是使用 nokogiri 你使用：

require 'nokogumbo'# nokogumbo will also load Nokogiri, so no need to put: require 'nokogiri'
Nokogiri::HTML5(source_code).css('table tr').each do |row|
  p row
end

请注意，您必须使用网站上的源代码，该源代码确实到处都有正确的标签。您可以使用网站的源代码如下，但当然要求网站页面上只有一个表格。

require 'open-uri'
source_code = open('http://www.url_to_website_I_want_to_parse.com')

确保在课程开始时声明变量source_code。