刮时如何避免加入节点中的所有文本

一尘不染

刮时如何避免加入节点中的所有文本

html

当我从HTML或XML刮取几个相关的节点以提取文本时，所有文本都合并为一个长字符串，从而无法恢复单个文本字符串。

例如：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
    <p>bar</p>
    <p>baz</p>
  </body>
</html>
EOT

doc.search('p').text # => "foobarbaz"

但是我想要的是：

["foo", "bar", "baz"]

抓取XML时也会发生相同的情况：

doc = Nokogiri::XML(<<EOT)
<root>
  <block>
    <entries>foo</entries>
    <entries>bar</entries>
    <entries>baz</entries>
  </block>
</root>
EOT

doc.search('entries').text # => "foobarbaz"

为什么会发生这种情况，我该如何避免呢？

阅读 280

2020-05-10

共1个答案

一尘不染

这是一个容易解决的问题，其原因是没有阅读有关text在NodeSet和Node（或Element）上使用时的行为的文档。

该节点集文档表示text将：

获取所有包含的Node对象的内部文本

我们看到的是：

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
    <p>bar</p>
    <p>baz</p>
  </body>
</html>
EOT

doc.search('p').text # => "foobarbaz"

因为：

doc.search('p').class # => Nokogiri::XML::NodeSet

相反，我们要获取每个Node并提取其文本：

doc.search('p').first.class # => Nokogiri::XML::Element
doc.search('p').first.text # => "foo"

可以使用map：

doc.search('p').map { |node| node.text } # => ["foo", "bar", "baz"]

Ruby允许我们使用以下代码更简洁地编写代码：

doc.search('p').map(&:text) # => ["foo", "bar", "baz"]

无论我们使用的是HTML还是XML，同样的事情也适用，因为HTML是XML的一种更为宽松的版本。

节点具有几种获取其嵌入文本的别名方法。从文档中：

#content ⇒ Object

也称为：text，inner_text

返回此节点的内容。

2020-05-10