Nokogiri获取所有HTML节点

我想使用Nokogiri从HTML文档获取所有节点。例HTML输入字符串：Nokogiri获取所有HTML节点

<html> 
    <body> 
    <h1>Test</h1> 
    <p>test <strong> Jojo </strong></p> 
    </body> 
</html>

预期输出：

['<html>','<body>','<h1>','</h1>','<p>','<strong>','</strong>','</p>','</body>','</html>']

关闭标签，并按照正确的顺序是非常重要的！

我尝试这样的代码已经：

require 'nokogiri' 
string_page = "<html><body><h1>Header1</h1></body></html>" 
doc = Nokogiri::HTML(string_page) 
doc.search('*').map(&:name) 
# => ["html", "body", "h1"]

但它不会返回结束标记。

来源

2016-08-05 David L-R

您可以将OuterXml分割为所有非自闭的开始元素的InnerXml，存储相应的关闭元素（如果有的话）以检索它并使用Nokogiri阅读器解析文档以根据文档内的顺序构建列表。

它要求您的文档是一个有效的XML片段，因为它使用XML解析器而不是HTML解析器。

require 'nokogiri' 
[ "<html><body><h1>Header1</h1></body></html>", 
"<html><body><div><h1>Title</h1><hr /></div><div><p>Lorem Ipsum<br />sit <span class=\"style\">d</span>olor</p></div></body></html>", <<END 
<html> 
    <body> 
     <h1>Test</h1> 
     <p>test <strong> Jojo </strong></p> 
    </body> 
</html> 
END 
].each { |string_page| 
    elem_all = Array.new 
    elem_ends = Hash.new 
    reader = Nokogiri::XML::Reader(string_page) 
    reader.each { |node| 
    if node.node_type.eql?(1) 
     if node.self_closing? 
     elem_all << node.outer_xml 
     else 
     elem_tags = node.outer_xml.split(node.inner_xml) 
     elem_all << elem_tags.first 
     elem_ends[node.local_name] = elem_tags[1] unless elem_tags.one? 
     end 
    end 
    elem_all << elem_ends[node.local_name] if node.node_type.eql?(15) and elem_ends.has_key?(node.local_name) 
    } 

    puts string_page 
    puts elem_all.to_s 
    puts 
}

输出：

<html><body><h1>Header1</h1></body></html> 
["<html>", "<body>", "<h1>", "</h1>", "</body>", "</html>"] 

<html><body><div><h1>Title</h1><hr /></div><div><p>Lorem Ipsum<br />sit <span class="style">d</span>olor</p></div></body></html> 
["<html>", "<body>", "<div>", "<h1>", "</h1>", "<hr/>", "</div>", "<div>", "<p>", "<br/>", "<span class=\"style\">", "</span>", "</p>", "</div>", "</body>", "</html>"] 

<html> 
    <body> 
     <h1>Test</h1> 
     <p>test <strong> Jojo </strong></p> 
    </body> 
</html> 
["<html>", "<body>", "<h1>", "</h1>", "<p>", "<strong>", "</strong>", "</p>", "</body>", "</html>"]

来源

2016-08-05 15:37:14

您可以设置结束标记自己如下：

doc = Nokogiri::HTML(<<EOT) 
<html> 
    <body> 
    <h1>Test</h1> 
    <p>test <strong> Jojo </strong></p> 
    </body> 
</html> 
EOT 

doc.search('*').map{|m| [m.name, "/#{m.name}"]}

输出：=> [ “HTML”， “/ HTML”]， [“body”，“/ body”]，[“h1”，“/ h1”]，[“p”，“/ p”]，[“strong”，“/ strong”]]

来源

2016-08-10 06:11:45

“顺序很重要！“ –

Nokogiri获取所有HTML节点

回答

相关问题