ruby 提取html文本,ruby – 如何使用Nokogiri从HTML中提取链接和链接文本
这是一个最初为响应
Getting attribute’s value in Nokogiri to extract link URLs编写的迷你示例,在社区Wiki样式中提取以供参考.
以下是在解析HTTP中的链接时可能会执行的一些常见操作,以css和xpath语法显示.
从这个片段开始：
require 'rubygems'
require 'nokogiri'
html = <
HTML
doc = Nokogiri::HTML(html)
提取所有链接
我们可以使用xpath或css来查找所有< a>元素然后只保留具有href属性的元素：
nodeset = doc.xpath('//a') # Get all anchors via xpath
nodeset.map {|element| element["href"]}.compact # => ["http://google.com", "https://stackoverflow.com"]
nodeset = doc.css('a') # Get all anchors via css
nodeset.map {|element| element["href"]}.compact # => ["http://google.com", "https://stackoverflow.com"]
在上述情况下,.compact是必要的,因为搜索< a>. element除了其他元素外,还返回“just a bookmark”元素.
但我们可以使用更精确的搜索来查找包含href属性的元素：
attrs = doc.xpath('//a/@href') # Get anchors w href attribute via xpath
attrs.map {|attr| attr.value} # => ["http://google.com", "https://stackoverflow.com"]
nodeset = doc.css('a[href]') # Get anchors w href attribute via css
nodeset.map {|element| element["href"]} # => ["http://google.com", "https://stackoverflow.com"]
找到一个特定的链接
要查找< div id =“block2”>中的链接
nodeset = doc.xpath('//div[@id="block2"]/a/@href')
nodeset.first.value # => "https://stackoverflow.com"
nodeset = doc.css('div#block2 a[href]')
nodeset.first['href'] # => "https://stackoverflow.com"
如果您知道自己只搜索一个链接,则可以使用at_xpath或at_css代替：
attr = doc.at_xpath('//div[@id="block2"]/a/@href')
attr.value # => "https://stackoverflow.com"
element = doc.at_css('div#block2 a[href]')
element['href'] # => "https://stackoverflow.com"
从相关文本中查找链接
如果您知道与链接相关联的文本并想要查找其网址,该怎么办？一个小的xpath-fu(或css-fu)派上用场：
element = doc.at_xpath('//a[text()="link2"]')
element["href"] # => "https://stackoverflow.com"
element = doc.at_css('a:contains("link2")')
element["href"] # => "https://stackoverflow.com"
从链接中查找文本
为了完整起见,您可以通过以下方式获取与特定链接相关联的文本：
element = doc.at_xpath('//a[@href="https://stackoverflow.com"]')
element.text # => "link2"
element = doc.at_css('a[href="https://stackoverflow.com"]')
element.text # => "link2"
有用的参考
除了广泛的Nokorigi documentation之外,我在写这篇文章时遇到了一些有用的链接：