Question

我有一些非常简单的HTML，我正在尝试使用Nokogiri解析（在Ruby上）：

<span>Address</span><br />
123 Main Street<br />
Sometown<br />
<span>Telephone</span><br />
<a href="tel:212-555-555">212-555-555</a><br />

    <span>Hours</span><br />
    M-F: 8:00-21:00<br />
       Sat-Sun: 8:00-21:00<br />
<hr />

我唯一的标签是页面内容的周围<div>。我想要的每件事都有一个<span>Address</span>类型标签。最后可以跟着另一个span或hr。

我想以地址（“123 Main Street \ nSometown”），电话号码（“212-555-555”）和开放时间作为单独的字段结束。

有没有办法使用Nokogiri获取信息，或者使用正则表达式更容易做到这一点？

Answer 1

使用Nokogiri and XPath你可以这样做：

def extract_span_data(html)
  doc = Nokogiri::HTML(html)
  doc.xpath("//span").reduce({}) do |memo, span|
    text = ''
    node = span.next_sibling
    while node && (node.name != 'span')
      text += node.text
      node = node.next_sibling
    end
    memo[span.text] = text.strip
    memo
  end
end

extract_span_data(html_string)
# {
#   "Address"   => "123 Main Street\nSometown",
#   "Telephone" => "212-555-555",
#   "Hours"     => "M-F: 8:00-21:00\n       Sat-Sun: 8:00-21:00"
# }

使用正确的解析器比使用正则表达式（a well documented bad idea^TM更容易，更健壮。）

Answer 2

我在思考（而不是学习）xpath：

d.xpath("span[2]/preceding-sibling::text()").each {|i| puts i}
# 123 Main Street
# Sometown

d.xpath("a/text()").text
# "212-555-555"

d.xpath("span[3]/following::text()").text.strip
# "M-F: 8:00-21:00       Sat-Sun: 8:00-21:00"

第一个以第二个跨度开始，然后选择之前的文本（）你可以尝试另一种方法 - 从第一个跨度开始，选择文本（），最后用谓词检查下一个跨度。

d.xpath("span[1]/following::text()[following-sibling::span]").each {|i| puts i}
# 123 Main Street
# Sometown

如果文档有更多跨度，您可以从正确的文档开始：
span[x]可以替换为span[contains(.,'text-in-span')] span[3] == span[contains(.,'Hours')]

如果出现问题，请纠正我。

使用Nokogiri定位没有标签的文本

2 个答案: