如何跨HTML标签边界查找文本（结果是使用XPath指针）？

Question

我有这样的HTML：

<div>Lorem ipsum <b>dolor sit</b> amet.</div>

如何在此HTML中为我的搜索字符串ipsum dolor找到基于纯文本的匹配项？ 我需要用于匹配的开始和结束XPath节点指针，以及指向这些开始和停止节点内部的字符索引。 我使用Nokogiri处理DOM，但是任何针对Ruby的解决方案都可以。

困难：

• 我无法进行node.traverse {|node| … } node.traverse {|node| … }遍历DOM并在遇到文本节点时进行纯文本搜索，因为我的搜索字符串可以跨越标签边界。

• 将HTML转换为纯文本后，我无法进行纯文本搜索，因为我需要XPath索引作为结果。

我可以用基本的树遍历自己实现它，但是在此之前，我先问是否有Nokogiri函数或技巧来使它更舒适地实现。

Answer 1

您可以执行以下操作：

doc.search('div').find{|div| div.text[/ipsum dolor/]}

Answer 2

最后，我们使用如下代码。 它是为问题中给出的示例显示的，但也适用于任意深度HTML标签嵌套的一般情况。 （这就是我们所需要的。）

另外，我们以一种可以忽略一行中多余（≥2）个空格字符的方式来实现它。 这就是为什么我们必须搜索匹配项的末尾，而不能仅仅使用搜索字符串/引号的长度和匹配位置的开始：搜索字符串和搜索匹配项中空格字符的数量可能会有所不同。

doc = Nokogiri::HTML.fragment("<div>Lorem ipsum <b>dolor sit</b> amet.</div>")
quote = 'ipsum dolor'


# Find search string in document text, "plain text in plain text".

quote_query = 
  quote.split(/[[:space:]]+/).map { |w| Regexp.quote(w) }.join('[[:space:]]+')
start_index = doc.text.index(/#{quote_query}/i)
end_index = start_index+doc.text[/#{quote_query}/i].size


# Find XPath values and character indexes for start and stop of search match.
# For that, walk through all text nodes and count characters until reaching 
# the start and end positions of the search match.

start_xpath, start_offset, end_xpath, end_offset = nil
i = 0

doc.xpath('.//text() | text()').each do |x|
  offset = 0
  x.text.split('').each do
    if i == start_index
      e = x.previous
      sum = 0
      while e
        sum+= e.text.size
        e = e.previous
      end
      start_xpath = x.path.gsub(/^\?/, '').gsub(
        /#{Regexp.quote('/text()')}.*$/, ''
      )
      start_offset = offset+sum
    elsif i+1 == end_index
      e = x.previous
      sum = 0
      while e
        sum+= e.text.size
        e = e.previous
      end
      end_xpath = x.path.gsub(/^\?/, '').gsub(
        /#{Regexp.quote('/text()')}.*$/, ''
      )
      end_offset = offset+1+sum
    end
    offset+=1
    i+=1
  end
end

此时，我们可以检索搜索匹配的开始和结束所需的XPath值（此外，字符偏移指向XPath指定元素内搜索匹配的开始和结束的确切字符）。 我们得到：

puts start_xpath
  /div
puts start_offset
  6
puts end_xpath
  /div/b
puts end_offset
  5