如何搜索和替换节点 Nokogiri？答案

【问题标题】：How do I search and replace nodes Nokogiri?如何搜索和替换节点 Nokogiri？
【发布时间】：2013-07-08 04:42:05
【问题描述】：

我有一个 HTML 文档作为字符串。我使用 Nokogiri 解析它：

doc_str = <<-mydoc
  <p>Lorem ipsum dolor sit foo.</p>
  <h2>Consectetur adipisicing bar</h2>
  <p>Foo do <a href="/c-foo.aspx" class = "foo" title="Foo bar.">foofoo foo</a>.</p>
mydoc

doc = Nokogiri::HTML doc_str

我想在所有可见文本中将 "foo" / "Foo" 替换为 "Bar" / "bar"：

desired = <<-mydoc
  <p>Lorem ipsum dolor sit bar.</p>
  <h2>Consectetur adipisicing bar</h2>
  <p>Bar do <a href="/c-foo.aspx" class = "foo" title="Bar bar.">foofoo bar</a>.</p>
mydoc

我该怎么做？

我试图阅读Nokogiri tutorial，它描述了Nokogiri::HTML::Document#at_css。使用 Ruby 2.0 和最新的 Nokogiri，doc.at_css 'h1' 返回nil，所以h1.content = "something" 甚至是不可能的。

即使它有效，也只是解决我的查找和替换问题的第一步。

【问题讨论】：

标签： ruby nokogiri

【解决方案1】：

doc.at_css 'h1' 返回 nil，因为您的 HTML 中没有 h1 元素。 doc.at_css 'h2' 正确返回 Nokogiri::XML::Element 对象的 h2 元素。

CSS 选择器无法选择文本节点，并且对于这类事情来说是一个糟糕的工具。 XPath 将完成 CSS 所做的所有事情以及更多其他事情。文档根目录下任意位置的文本节点就是//text()。

编辑我刚刚注意到您似乎希望属性的内容以相同的方式更改。 @* 匹配任何属性，因此 XPath 表达式变为 //@* | //text()。虽然我不清楚这一点，因为href="/c-foo.aspx" 和class="foo" 保持不变，但title="Foo bar." 变为title="bar bar."。我相信你可以自己解决这个问题。

您需要使用 XPath 找到所有文本节点，然后使用 content 获取每个节点的文本值。随意修改，用content=替换。

这个程序演示。 to_html 方法将数据包装在必要的标签中，使其成为有效的 HTML。

require 'nokogiri'

doc_str = <<-HTML
  <p>Lorem ipsum dolor sit foo.</p>
  <h2>Consectetur adipisicing bar</h2>
  <p>Foo do <a href="/c-foo.aspx" class = "foo" title="Foo bar.">foofoo foo</a>.</p>
HTML

doc = Nokogiri::HTML(doc_str)

doc.xpath('//@*', '//text()').each do |node|
  node.content = node.content.gsub(/\bfoo\b/, 'bar').gsub(/\bFoo\b/, 'Bar')
end

puts doc.to_html

输出

<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html><body>
<p>Lorem ipsum dolor sit bar.</p>
  <h2>Consectetur adipisicing bar</h2>
  <p>Bar do <a href="/c-bar.aspx" class="bar" title="Bar bar.">foofoo bar</a>.</p>
</body></html>

【讨论】：

+1 教了我这么多，但请注意，您的示例并不完全正确，因为它也将 class="foo" 替换为 class="bar"，这是不应该的，因为它不是可见文字。相反，@pguardiario 的#traverse 示例没有遇到class="bar" 的问题，他错过了\b 环绕foo 和Foo。你能告诉我更多关于#xpath方法的论点吗？我的意思是'//@* | //text()'。天堂是什么意思？
@BorisStitnicky：所以您问题中的属性之间的差异是故意的？这一点都不清楚。您必须枚举要处理的属性的名称才能正确处理。 XPath 术语text() 和@* 我已经解释过了。 // 表示“后代”，当它位于表达式的开头时，表示“根的后代”，即文档中的任何位置。管道| 是“联合”，因此完整的表达式选择任何位置的所有属性节点和所有文本节点。 Look here for the specification of XPath 1.0.
将@* 更改为@title，我想你会成功的。
@MarkThomas：是的，我可以把它放进去，但它只能在 this 示例中使用。如果要进行更改，那么我们需要一个要转换的所有属性的名称列表。
是的，OP 需要定义一个可见属性列表。没有自动的方法可以做到这一点。但是替换 all 属性是不正确的。