使用 Nokogiri 解析 HTML 文件中的多个列表

Question

我正在尝试使用 Ruby 学习脚本，这是我的第一个问题。

我有一个包含州及其城市的 HTML 文件。我需要能够访问这些城市并在我的 Ruby 代码中知道它们属于哪个州，所以我计划解析 HTML 并为每个城市创建一个哈希，如下所示：{New York => New York City }.

我正在尝试使用 Nokogiri，我现在正在学习。

  <h4>State</h4>
  <ul>
    <li>city</li>
    <li>city</li>
    <li>city</li>
  </ul>
  <h4>State</h4>
  <ul>
    <li>city</li>
    <li>city</li>
    <li>city</li>
  </ul>
  <h4>State</h4>
  <ul>
    <li>city</li>
    <li>city</li>
    <li>city</li>
  </ul>

我正在使用它来将状态放入一个数组中：

require 'rubygems'
require 'nokogiri'

page = Nokogiri::HTML(open("to_parse.html"))

states = Array.new(100), index = 0

page.css('h4').each do |s|

    states[index]   = s.text
    puts states[index]

    index += 1
end

这实际上并没有帮助；我需要弄清楚如何让Nokogiri 将每个列表的元素解析为包含城市及其州的hashes。我不确定当它完成一个州的城市列表时如何进行循环中断，并为下一个州的城市列表创建一组新的hashes。

我想我必须为每个列表元素创建一个hash，并将该列表的h4 标记的文本存储在每个hash 中，这样我就知道该城市属于哪个州。我不知道该怎么做。

请随意提供一些关于重构我所拥有的东西的建议，因为我知道它可以做得更好。

Answer 1

XPath 选择器可以在这里为您提供帮助。

states = doc.css('li').map do |city|
  state = city.xpath('../preceding-sibling::h4[1]')
  [city.text, state.text]
end.to_h

#=> {'city' => 'State', ...}

这会抓取所有li city 元素，然后追溯到它们的状态。 （XPath 如下所示：.. = 上一级，preceding-sibling::h4 = 前面的 h4 元素，[1] = 第一个这样的元素）

您的代码中的一些 cmets：在 Ruby 中，您不需要初始化数组，而使用 Enumerable 方法，如 map，您永远不需要在循环中跟踪索引变量。

请注意，最后的 to_h 仅适用于 Ruby 2.1 或更高版本。