如何使用Ruby和Nokogiri解析LI/DL/DD标签结构？

我想解析包含有序列表以及DL/DD标签的html。目标是创建一个xml结构，将每个标记的内容逐项添加一些属性。在最后效果平坦的结构（期望的输出将显示在问题的最后）。如何使用Ruby和Nokogiri解析LI/DL/DD标签结构？

这里是存储在一个文件的HTML的例子（包含在test.html中在我的代码）：从HTML（

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd"> 
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en" dir="ltr"> 
<head> 
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" /> 
<title>Test Structure</title> 
</head> 
<body> 
<ol><li>Item 1 - Level 1 
<dl><dd>Item 1.1 - Level 2 
</dd><dd>Item 1.2 - Level 2 
</dd></dl> 
</li><li>Item 2 - Level 1 
<dl><dd>Item 2.1 - Level 2 
<dl><dd>Item 2.1.1 - Level 3 
</dd><dd>Item 2.1.2 - Level 3 
<dl><dd>Item 2.1.2.1 - Level 4 
</dd><dd>Item 2.1.2.2 - Level 4 
</dd></dl> 
</dd></dl> 
</dd><dd>Item 2.2 - Level 2 
<dl><dd>Item 2.2.1 - Level 3 
</dd><dd>Item 2.2.2 - Level 3 
<dl><dd>Item 2.2.2.1 - Level 4 
</dd><dd>Item 2.2.2.2 - Level 4 
</dd></dl> 
</dd><dd>Item 2.2.3 - Level 3 
<dl><dd>Item 2.2.3.1 - Level 4 
</dd><dd>Item 2.2.3.2 - Level 4 
</dd></dl> 
</dd><dd>Item 2.2.4 - Level 3 
</dd></dl> 
</dd></dl> 
</li><li>Item 3 - Level 1 
<dl><dd>Item 3.1 - Level 2 
</dd><dd>Item 3.2 - Level 2 
</dd></dl> 
</li></ol> 
</body> 
</html>

输出这里显示你没有看到，你会在看到压痕浏览器）：

 

         
 
          
  Item 1 - Level 1 
    
    
      Item 1.1 - Level 2 
     
    
      Item 1.2 - Level 2 
     
   
 
          
  Item 2 - Level 1 
    
    
      Item 2.1 - Level 2 
      
      
        Item 2.1.1 - Level 3 
       
      
        Item 2.1.2 - Level 3 
        
        
          Item 2.1.2.1 - Level 4 
         
        
          Item 2.1.2.2 - Level 4 
         
        
       
      
     
    
      Item 2.2 - Level 2 
      
      
        Item 2.2.1 - Level 3 
       
      
        Item 2.2.2 - Level 3 
        
        
          Item 2.2.2.1 - Level 4 
         
        
          Item 2.2.2.2 - Level 4 
         
        
       
      
        Item 2.2.3 - Level 3 
        
        
          Item 2.2.3.1 - Level 4 
         
        
          Item 2.2.3.2 - Level 4 
         
        
       
      
        Item 2.2.4 - Level 3 
       
      
     
   
 
          
  Item 3 - Level 1 
    
    
      Item 3.1 - Level 2 
     
    
      Item 3.2 - Level 2

所需的输出：

<job> 
<req level='1'>Item 1 - Level 1</req> 
<req level='1.1'>Item 1.1 - Level 2</req> 
<req level='1.2'>Item 1.2 - Level 2</req> 
<req level='2'>Item 2 - Level 1</req> 
<req level='2.1'>Item 2.1 - Level 2</req> 
<req level='2.1.1'>Item 2.1.1 - Level 3</req> 
<req level='2.1.2'>Item 2.1.2 - Level 3</req> 
<req level='2.1.2.1'>Item 2.1.2.1 - Level 4</req> 
<req level='2.1.2.2'>Item 2.1.2.2 - Level 4</req> 
<req level='2.2'>Item 2.2 - Level 2</req> 
<req level='2.2.1'>Item 2.2.1 - Level 3</req> 
<req level='2.2.2'>Item 2.2.2 - Level 3</req> 
<req level='2.2.2.1'>Item 2.2.2.1 - Level 4</req> 
<req level='2.2.2.2'>Item 2.2.2.2 - Level 4</req> 
<req level='2.2.3'>Item 2.2.3 - Level 3</req> 
<req level='2.2.3.1'>Item 2.2.3.1 - Level 4</req> 
<req level='2.2.3.2'>Item 2.2.3.2 - Level 4</req> 
<req level='2.2.4'>Item 2.2.4 - Level 3</req> 
<req level='3'>Item 3 - Level 1</req> 
<req level='3.1'>Item 3.1 - Level 2</req> 
<req level='3.2'>Item 3.2 - Level 2</req> 
</job>

请注意，我们要来回派生层次结构m遍历结构，而不是从每个LI和DD属性的实际内容中进行遍历......我的示例的内容列出了层次结构（1,1.1,1.2 ...），但在实际数据中我们不会看到这些内容。 “level”属性应该反映结构的遍历。

我对Ruby和Nokogiri都很陌生，但这里是我尝试阅读HTML（还没有创建XML）。我坚持分离出LI节点和内容。我已经使用.each，children.each试过，等：

require 'rubygems' 
require 'open-uri' 
require 'nokogiri' 

url = "test.html" 
doc = Nokogiri::HTML(open(url)) 
line = "1" 
doc.css("ol[1]").children.each do |n| 
    puts line + n.content.to_s 
    line.succ! 
    n.children do |c| 
     puts line + c.content.to_s 
     line.succ! 
    end 
end

来源

2011-05-18 BCinAustin

可以使用node_name方法来确定什么是文字的，什么是一个孩子，这里说下吐出来的是HTML标签名称的样本函数OL：

def traverse(node, indent = 0) 
    node.children.each do |child| 
    next if child.node_name == "text" 
    puts " "*indent + child.node_name 
    traverse(child, indent+1) 
    end 
end 

traverse doc.css("ol[1]")

（我是上面跳过文本节点是标签的文本内容）

来源

2011-05-18 17:34:32 cam

哇，这是快的CAM ... THX！这给我提供了node_name列表，并且实际上正确地反映了层次结构。当我从'child.node_name'更改为'child.text'时，它并不总是给我一个单一的值。 – BCinAustin 2011-05-18 20:03:57

@BCinAustin：'text'方法递归地抓取所有孩子的'text'。你只需要在具有node_name'text'的子节点上调用'text'。（所以，不要用'next'跳过文本节点，在那时打印出来） – cam 2011-05-18 21:17:54

完美！这正是我所错过的。再次感谢Cam！ – BCinAustin 2011-05-18 21:34:38

如何使用Ruby和Nokogiri解析LI/DL/DD标签结构？

回答

相关问题