如何用 Nokogiri 解析连续的标签？答案

【问题标题】：How to parse consecutive tags with Nokogiri?如何用 Nokogiri 解析连续的标签？
【发布时间】：2011-12-13 00:09:01
【问题描述】：

我有这样的 HTML 代码：

<div id="first">
<dt>Label1</dt>
<dd>Value1</dd>

<dt>Label2</dt>
<dd>Value2</dd>

...
</div>

我的代码不起作用。

doc.css("first").each do |item|
  label = item.css("dt")
  value = item.css("dd")
end

首先显示所有<dt> 标签，然后是<dd> 标签，我需要“label: value”

【问题讨论】：

标签： ruby nokogiri

【解决方案1】：

首先，您的 HTML 应该在 <dl> 中包含 <dt> 和 <dd> 元素：

<div id="first">
    <dl>
        <dt>Label1</dt>
        <dd>Value1</dd>
        <dt>Label2</dt>
        <dd>Value2</dd>
        ...
    </dl>
</div>

但这不会改变您解析它的方式。您想找到<dt>s 并对其进行迭代，然后在每个<dt> 处，您可以使用next_element 获取<dd>；像这样：

doc = Nokogiri::HTML('<div id="first"><dl>...')
doc.css('#first').search('dt').each do |node|
    puts "#{node.text}: #{node.next_element.text}"
end

只要结构与您的示例匹配，这应该可以工作。

【讨论】：

而不是doc.css('#first').search('dt').each 为什么不只是doc.css('#first dt').each？另请注意，此答案在假设每个 <dt> 之后总是只有一个 <dd> （这在一般 HTML 中可能不是这种情况）的假设下有效。
@Phrogz：.css.search 没有充分的理由，也许它更接近 OP 已经拥有的东西。而且我确实包含了“只要结构与您的示例匹配就应该有效”的警告。我同意您的方法在一般情况下会更好。（这只是我上一条评论的拼写更正，因为我不知道拼写）

【解决方案2】：

假设某些<dt> 可能有多个<dd>，您希望找到所有<dt>，然后（对于每个）在下一个<dt> 之前找到以下<dd>。这在纯 Ruby 中很容易做到，但在 XPath 中更有趣。 ;)

鉴于此设置：

require 'nokogiri'   
html = '<dl id="first">
  <dt>Label1</dt><dd>Value1</dd>
  <dt>Label2</dt><dd>Value2</dd>
  <dt>Label3</dt><dd>Value3a</dd><dd>Value3b</dd>
  <dt>Label4</dt><dd>Value4</dd>
</dl>'    
doc = Nokogiri.HTML(html)

不使用 XPath：

doc.css('dt').each do |dt|
  dds = []
  n = dt.next_element
  begin
    dds << n
    n = n.next_element
  end while n && n.name=='dd'
  p [dt.text,dds.map(&:text)]
end
#=> ["Label1", ["Value1"]]
#=> ["Label2", ["Value2"]]
#=> ["Label3", ["Value3a", "Value3b"]]
#=> ["Label4", ["Value4"]]

使用一点 XPath：

doc.css('dt').each do |dt|
  dds = dt.xpath('following-sibling::*').chunk{ |n| n.name }.first.last
  p [dt.text,dds.map(&:text)]
end
#=> ["Label1", ["Value1"]]
#=> ["Label2", ["Value2"]]
#=> ["Label3", ["Value3a", "Value3b"]]
#=> ["Label4", ["Value4"]]

使用很多 XPath：

doc.css('dt').each do |dt|
  ct = dt.xpath('count(following-sibling::dt)')
  dds = dt.xpath("following-sibling::dd[count(following-sibling::dt)=#{ct}]")
  p [dt.text,dds.map(&:text)]
end
#=> ["Label1", ["Value1"]]
#=> ["Label2", ["Value2"]]
#=> ["Label3", ["Value3a", "Value3b"]]
#=> ["Label4", ["Value4"]]

【讨论】：

【解决方案3】：

在查看其他答案后，这是一种低效的做法。

require 'nokogiri'
a = Nokogiri::HTML('<div id="first"><dt>Label1</dt><dd>Value1</dd><dt>Label2</dt><dd>Value2</dd></div>')

dt = []
dd = []

a.css("#first").each do |item|
  item.css("dt").each {|t| dt << t.text}
  item.css("dd").each {|t| dd << t.text}
end

dt.each_index do |i|
  puts dt[i] + ': ' + dd[i]
end

在css中要引用ID，需要在前面加上#号。对于一个类，它是 .象征。

【讨论】：

请注意，由于"#first" 只能匹配一个元素，因此您拥有的内容等同于（但更糟）：item = a.at_css("#first")。在外面使用each 完全是多余的。
另外，请注意，此答案假定<dt> 和<dd> 之间始终存在一对一的配对。尽管这对于原始问号标记是正确的，但在现实世界的标记中可能并不总是正确的。最后，在迭代两个配对数组时，您可以考虑使用dt.zip(dd).each{ |dt,dd| ... } 而不是each_with_index。