将Nokogiri XML文档转换为字符串数组？

Question

我正在创建Ruby on Rails应用程序，并使用Nokogiri解析XML文件。 我正在尝试将XML文件解析为可变的字符串，可以操纵这些字符串来创建其他内容。

这是我正在使用的示例XML

<feed xmlns="http://www.w3.org/2005/Atom">
  <entry>
    <title type="html">
      <![CDATA[ First Post! ]]>
    </title>
    <content type="html">
      <![CDATA[
        <p>I&rsquo;m very excited to have finally got my site up and running along with this blog!</p>]]>
    </content>
  </entry>
</feed>

到目前为止，这是我针对自己的问题所做的

在我的控制器中-

def index
    @blog_title, @blog_post = parse_xml
end

private
def parse_xml
    @xml_doc = Nokogiri::XML(open("atom.xml"))
    titles = @xml_doc.css("entry title")
    post = @xml_doc.css("content")
    return titles, post
end

在我看来 -

<% for i in 1..@blog_title.length %>
    <li><%= @blog_title[i-1] %></li>
    <li><%= @blog_post[i-1] %></li>
<% end %>

该视图的示例输出（返回Nokogiri元素）-

<title type="html"><![CDATA[First Post!]]></title>

因此，理想情况下，我想将Nokogiri :: Document内的所有Nokogiri :: Element设置为字符串，或将整个数组设置为String数组。

我尝试遍历每个元素并调用.to_s，但它似乎不起作用。

我还尝试了调用诸如slice之类的Ruby :: String方法，但这种方法不起作用（出于明显的原因）。

我试图获得的最终结果（使用我的视图中的示例输出）是仅返回以下内容，其余均不返回。

First Post!

谁能帮我？ 如果我不太清楚，或者如果有人需要查看更多工作，请随时提问！

Answer 1

对于您的情况，您应该只使用.text提取标签的内容。 如titles.text这样的东西会起作用。

Answer 2

您正在处理RSS / Atom提要，其中可能包含多个title标签。 您需要遍历所有title节点并分别提取它们的内容，以使您能够跟踪它们的顺序以及它们所附的文章：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<feed xmlns="http://www.w3.org/2005/Atom">
  <entry>
    <title type="html">
      <![CDATA[ First Post! ]]>
    </title>
    <content type="html">
      <![CDATA[
        <p>I&rsquo;m very excited to have finally got my site up and running along with this blog!</p>]]>
    </content>
  </entry>
</feed>
EOT

doc.search('title').map(&:text)
# => ["\n       First Post! \n    "]

这将返回title节点内的文本数组。 从那里，您可以轻松清理每个字符串，对其进行操作，重新使用它们，无论如何。

doc.search('title').map{ |s| s.text.strip }
# => ["First Post!"]

search返回一个NodeSet，它类似于文档中找到的title节点数组。 如果不对它们进行迭代，则会得到一个包含所有文本的串联字符串，通常不是您想要的：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<foo>
  <title>this</title>
  <title>is</title>
  <title>what</title>
  <title>you'd</title>
  <title>get</title>
</foo>
EOT

doc.search('title').text
# => "thisiswhatyou'dget"

与：

doc.search('title').map(&:text)
# => ["this", "is", "what", "you'd", "get"]

除非您事先了解文档的结构（通常是不正确的），否则试图将第一个结果拆开是不可能的。 对返回的NodeSet进行迭代将产生非常有用的结果。

为了保持与提要中各种title标签的一致性，您需要遍历条目，然后提取嵌入的标题，这与示例XML和代码显示的内容有些不同：

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<feed xmlns="http://www.w3.org/2005/Atom">
  <entry>
    <title type="html">
      <![CDATA[ First Post! ]]>
    </title>
    <content type="html">
      <![CDATA[
        <p>I&rsquo;m very excited to have finally got my site up and running along with this blog!</p>]]>
    </content>
  </entry>
  <entry>
    <title type="html">
      <![CDATA[ Second Post! ]]>
    </title>
    <content type="html">
      <![CDATA[
        <p>blah</p>]]>
    </content>
  </entry>
</feed>
EOT

titles = doc.search('entry').map { |entry|
  entry.at('title').text.strip
}
titles # => ["First Post!", "Second Post!"]

或更有用：

titles_and_content = doc.search('entry').map { |entry|
  [
    entry.at('title').text.strip,
    entry.at('content').text.strip
  ]
}
titles_and_content 
# => [["First Post!",
#      "<p>I&rsquo;m very excited to have finally got my site up and running along with this blog!</p>"],
#     ["Second Post!", "<p>blah</p>"]]

返回每个条目的标题和内容。 通过此操作，您可以轻松地构建代码以提取文章的链接，发布日期，刷新率，原始网站，您想了解的有关单个文章及其来源的所有信息，然后将其存储在数据库中以供以后使用要求时返流。

有一些宝石和脚本可用于处理RDF，RSS和Atom提要，但是，几年前，当我不得不为提要编写一个大型聚合器时，没有任何东西可以满足我的需求，因此我从头开始编写了一个。 我建议尝试找到一个轮子，而不是重新发明那个轮子，否则，请仔细研究他们的资源并从他们的经验中学习。 要成为一个良好的网络公民，代码中有许多事情要做，这不会淹没服务器并使您被禁止。

另请参见“ 如何避免在刮取时加入节点中的所有文本 ”。