Question

好吧，由于速度和_why的消失，从工作Hpricot切换到Libxml-ruby，看了Nokogiri一秒钟，但决定看看Libxml-ruby的速度和寿命。我必须遗漏一些基本的东西，但我想要做的是不工作，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Feed中有大约150个此类条目。

我只想循环浏览150个条目，然后获取内容和属性，但是我有一个很好的时间使用libxml-ruby让它与Hpricot一起运行。

这个小片段显示我甚至没有收到条目：

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？我查看了文档，找不到一个简单的XML文件，下面是x，y，z的示例。这应该很简单。

Answer 1

Nokogiri已经证明具有一定的速度和寿命，因此这里有一些如何处理示例XML中的命名空间的示例。我使用Nokogiri作为一个大的RDF / RSS / Atom聚合器，每天使用类似的东西处理成千上万的feed，以便在将它们推入后端数据库之前抓取我想要的字段。

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都可以处理名称空间。 Nokogiri将通过获取根节点中定义的所有名称空间来简化它们的使用，但是，在此XML示例中，名称空间在入口节点中定义，使我们可以手动执行。

我切换到头条新闻的CSS表示法，只是为了展示如何做到这一点。为方便起见，Nokogiri通常会允许CSS的通配名称空间，如果它能够找到名称空间声明，这会简化'|headline > hl1'节点hl1的访问者。

Answer 2

我怀疑由于在您的查找中删除了命名空间而导致您遇到问题。如果你看一下xpath documentation for libxml-ruby，他们会有一些非常相关的例子。具体来说，您的查找可能应该是entries = doc.find（'// atom：entry'，'atom：http://www.w3.org/2005/Atom'），因为格式正确。

libxml-ruby解析帮助

2 个答案: