尝试使用Nokogiri从HTML抓取字符串

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 ")