使用 Ruby 解析 HTML 表，Nokogiri 省略列标题答案

【问题标题】：Parse a HTML table using Ruby, Nokogiri omitting the column headers使用 Ruby 解析 HTML 表，Nokogiri 省略列标题
【发布时间】：2017-07-05 18:21:11
【问题描述】：

我无法使用 Nokogiri 和 Ruby 解析 HTML 表格。我的 HTML 表格结构如下所示

<table>
<tbody>
    <tr>
       <td>Firstname</td>
       <td>Lastname</td>
       <td>Middle</td>
    </tr>
    <tr>
       <td>ding</td>
       <td>dong</td>
       <td>ling</td>
    </tr>
    ....
    ....
    .... {more tr's and td's with similar data exists.}
    ....
    ....
    ....
    ....
    ....       
 </tbody>
 </table>

在上面的 HTML 表格中，我想完全删除第一个和相应的元素，所以删除 Firstname、Lastname 和 Middle 即，我想开始只从第二个中剥离文本。所以这样我只能从第二个或 tr[2] 中获取表的内容，而没有列标题。

谁能给我一个关于如何做到这一点的代码。

谢谢。

【问题讨论】：

定义“剥离文本”。你到底想要什么输出？

标签： ruby nokogiri

【解决方案1】：

require 'rubygems'
require 'nokogiri'

doc = Nokogiri::HTML(x)
rows = doc.xpath('//table/tbody/tr[position() > 1]')

# OR

rows = doc.xpath("//table/tbody/tr")
header = rows.shift

在您运行上述 2 个 sn-ps 中的任何一个后，rows 将包含第一个之后的每个 <tr>...</tr>。例如puts rows.to_xml 打印以下内容：

<tr><td>ding</td>
       <td>dong</td>
       <td>ling</td>
    </tr>

要获取内部文本，删除所有 html 标签，运行puts rows.text

ding
       dong
       ling

要仅获取 td 标记的内部文本，请运行 rows.xpath('td').map {|td| td.text }

["ding", "dong", "ling"]

【讨论】：

你确定这是否会给我第二个 tr[2] 中的文本。我不想将其转换为 xml。我只想要从第二个 tr[2] 开始的 HTML 文本。
嗨，约翰，感谢您的解释。我稍微修改了代码 sn-p 并做到了这一点。这个对我有用。 rows.xpath('td').map(&:text)[0,3]。我还有一个需要帮助的请求。我该怎么做呢。我在表的第二列和第三列中每个值的开头都有一个 $ 符号。如何仅剥离美元符号并仍然从所有 3 列中提取文本。所以我得到 ["ding" "$10000" "$0.4567"]。添加 $symbol 是因为它们是美元值。所以我想只去掉美元符号，仍然从 td 中获取文本。你能帮我解决这个问题吗？

【解决方案2】：

或者：

table.css('tr')[1..-1]

或删除从第 2 行开始的文本：

table.css('tr')[1..-1].map{|tr| tr.css('td').map &:text}

【讨论】：

【解决方案3】：

由于 Nokogiri 确实支持:has CSS pseudo-class，因此您可以使用标题行

@doc.at_css('table#table_id').css('tr:has(th)')

因为它也支持 :not CSS 伪类，所以你可以使用

@doc.at_css('table#table_id').css('tr:not(:has(th))')

分别。根据您的喜好，您可能希望避免否定并只使用css('tr:has(td)')。

【讨论】：