我正在尝试使用 Nokogiri 获取 <a> HTML 标签中的 href 值。
我想确定它们是路径、文件、URL，还是<div> id。
我目前的工作是：
hrefvalue = []
html.css('a').each do |atag|
hrefvalue << atag['href']
end
href 中的可能值可能是：
somefile.html
http://www.someurl.com/somepath/somepath
/some/path/here
#previous
是否有一种机制来识别该值是有效的完整 URL、文件、路径还是其他？
【问题讨论】：
div ID 是 CSS 标签，而不是 URL，因此您无需检查这些标签。
标签： html ruby html-parsing nokogiri
尝试 URI：
require 'uri'
URI.parse('somefile.html').path
=> "somefile.html"
URI.parse('http://www.someurl.com/somepath/somepath').path
=> "/somepath/somepath"
URI.parse('/some/path/here').path
=> "/some/path/here"
URI.parse('#previous').path
=> ""
【讨论】：
Nokogiri 经常与 ruby 的 URI 或 open-uri 一起使用，因此如果您遇到这种情况，您将可以访问它的方法。您可以使用它来尝试解析 URI（使用 URI.parse）。您通常也可以使用URI.join(base_uri, retrieved_href) 来构造完整的 url，前提是您已经存储了 base_uri。
（编辑/旁注：有关使用 URI.join 的更多详细信息可在此处获得：https://stackoverflow.com/a/4864170/624590；请注意 URI.join 将字符串作为参数，而不是 URI 对象，因此在必要时强制执行）
基本上，回答你的问题
是否有一种机制来识别该值是否为有效的完整值 url，或文件，或路径或其他？
如果 retrieved_href 和 base_uri 格式正确，并且 retrieved_href == 连接对，则它是绝对路径。否则它是相对的（同样，假设输入格式良好）。
【讨论】：
open 方法返回类似于文件句柄的东西。
如果您使用 URI 来解析 href 值，然后对结果应用一些启发式方法，您可以找出您想知道的内容。这基本上是浏览器在发送对页面或资源的请求时必须执行的操作。
使用您的示例字符串：
%w[
somefile.html
http://www.someurl.com/somepath/somepath
/some/path/here
#previous
].each do |u|
puts URI.parse(u).class
end
结果：
URI::Generic
URI::HTTP
URI::Generic
URI::Generic
URI 识别为真正的 HTTP URI 的唯一一个是“http://www.someurl.com/somepath/somepath”。所有其他人都缺少方案“http://”。 （您可能会遇到更多方案。有关更多信息，请参阅specification。）
在通用 URI 中，您可以使用一些规则对它们进行排序，以便在必须打开它们时知道如何做出反应。
如果您通过抓取页面收集 HREF 字符串，则可以假设如果相关 URI 不提供相同的方案和主机是安全的。因此，如果您最初加载了“http://www.someurl.com/index.html”，则可以使用“http://www.someurl.com/”作为进一步请求的基础。
从那里，查看字符串内部以确定它们是锚点、绝对路径还是相对路径。如果是字符串：
# 开头，它是一个锚点，无需重新加载即可应用于当前页面。/，它是一个文件名，将添加到当前检索的URL，替换文件名，然后检索。进行替换的一个好方法是对字符串使用 File.dirname 、 File.basename 和 File.join 。URI::split 和 URI::join 是你的朋友。关于：
hrefvalue = []
html.css('a').each do |atag|
hrefvalue << atag['href']
end
我会改用这个：
hrefvalue = html.search('a').map { |a| a['href'] }
但那只是我。
最后一点：URI 存在一些年龄问题，需要更新。这是一个有用的库，但是，对于重型 URI 撕裂，我强烈建议使用 Addressable/URI。
【讨论】：