运维开发网

ruby – 如何使用Nokogiri从HTML中提取链接和链接文本

运维开发网 https://www.qedev.com 2020-08-01 14:12 出处:网络 作者:运维开发网整理
我喜欢Nokogiri – 它是从 XML和HTML文档中提取元素的绝佳工具.尽管在线示例很好,但它们主要展示了如何操作XML文档. 如何使用Nokogiri从HTML中提取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HT
我喜欢Nokogiri – 它是从 XML和HTML文档中提取元素的绝佳工具.尽管在线示例很好,但它们主要展示了如何操作XML文档.

如何使用Nokogiri从HTML中提取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
<div id="block1">
    <a href="http://google.com">link1</a>
</div>
<div id="block2">
    <a href="https://stackoverflow.com">link2</a>
    <a id="tips">just a bookmark</a>
</div>
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:

> a handy Nokogiri cheat sheet

> a tutorial on parsing HTML with Nokogiri

> interactively test CSS selector queries

0

精彩评论

暂无评论...
验证码 换一张
取 消