使用 Nokogiri 定位不带标签的文本答案

【问题标题】：Target text without tags using Nokogiri使用 Nokogiri 定位不带标签的文本
【发布时间】：2013-01-29 06:42:48
【问题描述】：

我尝试使用 Nokogiri（在 Ruby 上）解析一些非常简单的 HTML：

<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 />

我唯一拥有的标签是围绕页面内容的<div>。我想要的每一件事前面都有一个Address 类型标签。后面可以跟另一个span 或最后一个hr。

我想将地址（“123 Main Street\nSometown”）、电话号码（“212-555-555”）和营业时间作为单独的字段来结束。

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？

【问题讨论】：

将上面的文字分割成(?=)?然后清理标签？
使用 Nokogiri。总是，总是，总是使用解析器而不是正则表达式来处理 HTML/XML，除非你喜欢痛苦。
你能发布你想要的输出吗？
@A.D.我在帖子中添加了一些信息。

标签： ruby regex nokogiri text-parsing

【解决方案1】：

我在考虑（相当学习）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"

第一个从第二个跨度开始，然后选择之前的 text()。
您可以在这里尝试另一种方法 - 从第一个跨度开始，选择 text() 并以检查下一个跨度的谓词结束。

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，您可以从正确的跨度开始：
span[x] 可以替换为span[contains(.,'text-in-span')]
span[3] == span[contains(.,'Hours')]

如果真的有问题，请纠正我。

【讨论】：

【解决方案2】：

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"
# }

使用适当的解析器比使用正则表达式（即a well documented bad idea^TM）更容易且更健壮。

【讨论】：

感谢您的回答。因此，如果我理解的话，Nokogiri 会将由  分隔的事物视为单独的节点？而只有memo 的行正在向reduce({}) 中给出的哈希添加条目？
是的，在 XML/HTML 中，“节点”要么是标签及其内容，要么是文本块。所以"a b" 将是三个节点，文本：“a”、元素：  和文本：“b”。