如何解决尝试使用Nokogiri从HTML抓取字符串
我是一名学生,我正在使用Ruby进行我的第一个CLI项目,并且有一个网站正试图与Nokogiri进行交流。网站的内容并没有严格按照自己的类/ id进行组织,但是有些信息我根本无法弄清楚如何抓取。 看起来像这样:
<p>
<strong> First Aired:</strong>
"2017 | "
<strong> Episodes:</strong>
" 24"
<br>
我想知道是否有一种方法可以刮除每个“ Episode:”元素后面的字符串。我尝试过的代码是
doc = Nokogiri::HTML(open(https://www.techradar.com/best/best-anime))
doc.css('p strong')[1].text <= and that got me the "Episodes:"
然后我尝试:
doc.css('p strong')[1].next_element <= and it skipped the string and gave me "<br>
我也尝试了.children方法,但是也返回了“ Episodes:”。我认为我对很多术语感到困惑,因为这些方法对字符串没有影响。甚至有可能使用CSS来获取该字符串?最后,如果可以捕获,那么有一种方法可以仅捕获“情节:”之后的字符串?
感谢您的帮助。我试图对Nokogiri和Css进行一些研究,但我认为我感到困惑。
解决方法
HTML是分层结构,因此对于您粘贴的所有元素,p
是父元素,其他元素是其子元素。如果HTML的格式和缩进正确,这一点尤其明显。
这意味着您将在" 24"
下找到p
,如下所示:
html = <<~STR
<p>
<strong> First Aired:</strong>
"2017 | "
<strong> Episodes:</strong>
" 24"
<br>
STR
html_doc = Nokogiri::HTML.parse(html)
p_element = html_doc.css('p')
p_element.children.map(&:name)
# => ["text","strong","text","br","text"]
p_element.children.map(&:to_s)
# => [
# "\n ",# "<strong> First Aired:</strong>",# "\n \"2017 | \"\n ",# "<strong> Episodes:</strong>",# "\n \" 24\"\n ",<------------ this is what you wanted
# "<br>",# "\n"
# ]
p_element.children[4]
=> #(Text "\n \" 24\"\n ")
如果要在其中包含“情节:”的同级元素之后立即使用同级元素,则一种方法是执行此操作:
consecutive_pairs = p_element.children.each_cons(2)
_before,after = consecutive_pairs.detect do |before,after|
before.text.include?("Episodes")
end
after
# => #(Text "\n \" 24\"\n ")
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。