使用Nokogiri解析表
[英]Parse table using Nokogiri
问题描述
I would like to parse a table using Nokogiri. 
我想用Nokogiri解析一张桌子。 I'm doing it this way 我是这样做的
def parse_table_nokogiri(html)
doc = Nokogiri::HTML(html)
doc.search('table > tr').each do |row|
row.search('td/font/text()').each do |col|
p col.to_s
end
end
end
Some of the table that I have have rows like this: 我有一些表有这样的行：
<tr>
<td>
Some text
</td>
</tr>
...and some have this. ......有些人有这个。
<tr>
<td>
<font> Some text </font>
</td>
</tr>
My XPath expression works for the second scenario but not the first. 我的XPath表达式适用于第二种情况，但不适用于第一种情况。 Is there an XPath expression that I could use that would give me the text from the innermost node of the cell so that I can handle both scenarios? 是否有一个我可以使用的XPath表达式，它将从单元格的最内层节点给我文本，以便我可以处理这两种情况？
I've incorporated the changes into my snippet 我已将更改合并到我的代码段中
def parse_table_nokogiri(html)
doc = Nokogiri::HTML(html)
table = doc.xpath('//table').max_by {|table| table.xpath('.//tr').length}
rows = table.search('tr')[1..-1]
rows.each do |row|
cells = row.search('td//text()').collect {|text| CGI.unescapeHTML(text.to_s.strip)}
cells.each do |col|
puts col
puts "_____________"
end
end
end
3 个解决方案
解决方案1
6 已采纳 2011-01-31 14:27:23
Use : 用途 ：
td//text()[normalize-space()]
This selects all non-white-space-only text node descendents of any td child of the current node (the tr already selected in your code). 这将选择当前节点的任何td子节点（在代码中已选择的tr ）的所有非空白空间文本节点后代。
Or if you want to select all text-node descendents, regardles whether they are white-space-only or not: 或者，如果要选择所有文本节点后代，请考虑它们是否仅为空白空间：
td//text()
UPDATE : 更新 ：
The OP has signaled in a comment that he is getting an unwanted td with content just a ' ' 该任择议定书已经标志着评论说，他越来越不想要td的内容只是一个' ' (aka non-breaking space). （又名不间断的空间）。
To exclude also td s whose content is composed only of (one or more) nbsp characters, use: 要排除其内容仅由（一个或多个）字符组成的td ，请使用：
td//text()[translate(normalize-space(), ' ', '')]
解决方案2
2 2011-01-31 13:52:38
Simple: 简单：
doc.search('//td').each do |cell|
puts cell.content
end
解决方案3
1 2011-01-31 14:20:12
Simple (but not DRY) way of using alternation: 简单（但不是干）使用交替的方式：
require 'nokogiri'
doc = Nokogiri::HTML <<ENDHTML
<body><table><thead><tr><td>NOT THIS</td></tr></thead><tr>
<td>foo</td>
<td><font>bar</font></td>
</tr></table></body>
ENDHTML
p doc.xpath( '//table/tr/td/text()|//table/tr/td/font/text()' )
#=> [#<Nokogiri::XML::Text:0x80428814 "foo">,
#=> #<Nokogiri::XML::Text:0x804286fc "bar">]
See XPath with optional element in hierarchy for a more DRY answer. 有关更干的答案，请参阅层次结构中包含可选元素的XPath 。
In this case, however, you can simply do: 但是，在这种情况下，您可以简单地执行：
p doc.xpath( '//table/tr/td//text()' )
#=> [#<Nokogiri::XML::Text:0x80428814 "foo">,
#=> #<Nokogiri::XML::Text:0x804286fc "bar">]
Note that your table structure (and mine above) which does not have an explicit tbody element is invalid for XHTML. 请注意，没有显式tbody元素的表结构（以及我的上面）对XHTML无效。 Given your explicit table > tr above, however, I assume that you have a reason for this. 鉴于您的显式table > tr ，但我认为您有理由这样做。
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.