使用Nokogiri抓取内容时如何排除嵌套元素？

Question

我的网页内容与此类似：

<div id="level1">
    <div id="level2">
        <div id="level3">Crap i dont care about</div>
        Here is some text i want
        <br />
        Here is some more text i want
        <br />
        Oh i want this text too :)
    </div>
</div>

我的目标是捕获#level2中的文字，但#level3 <div>内嵌在与我想要的文字相同的级别。

是否有可能排除<div>？我应该修改文档并在解析之前简单地删除元素吗？

Answer 1

require 'nokogiri'

xml = <<-XML
<div id="level1">
    <div id="level2">
        <div id="level3">Crap i dont care about</div>
        Here is some text i want
        <br />
        Here is some more text i want
        <br />
        Oh i want this text too :)
    </div>
</div>
XML

page = Nokogiri::XML(xml)
p page.xpath("//*[@id='level3']").remove.xpath("//*[@id='level2']").inner_text
# => "\n        \n        Here is some text i want\n        \n        Here is some more text i want\n        \n        Oh i want this text too :)\n    "

现在，您可以根据需要清理输出文本。

Answer 2

如果您的HTML片段位于html，那么您可以执行以下操作：

doc = Nokogiri::HTML(html)
div = doc.at_css('#level2')   # Extract <div id="level2">
div.at_css('#level3').remove  # Remove <div id="level3">
text_you_want = div.inner_text

你也可以用XPath做到这一点，但我发现CSS选择器对于这样的简单情况来说更简单。