使用Nokogiri和regex解析Ruby XML文档中的编码标签

Question

我正在尝试使用嵌入在标签中的标签来解析XML，例如使用Nokigiri和Ruby这样的标签：

<seg>Trennmesser <ph>&lt;I.FIGREF ITEM=&quot;3&quot; FORMAT=&quot;PARENTHESIS&quot;&gt;</ph><bpt i="1">&lt;I.FIGTARGET TARGET=&quot;CIADDAJA&quot;&gt;</bpt><ept i="1">&lt;/I.FIGREF&gt;</ept></seg>

在这种情况下，我只需要单词“ Trennmesser”，而不需要嵌入标签中。

在第二个示例中：

<seg>Hilfsmittel <ph>&lt;F34@Z7@Lge&gt;</ph>X <ph>&lt;F0&gt;</ph>= 0,5mm zwischen    Beschleunigerwalze <ph>&lt;F34@Z7@Lge&gt;</ph>D<ph>&lt;F0&gt;</ph> und Trennmesser schieben.</seg>

封闭的/ph和开放ph标记中的单词也很有趣，因此正则表达式需要提取字符串“ Hilfsmittel 0,5mm zwischen Beschleunigerwalze und Trennmesser schieben. ”，并丢弃其他所有内容。

我还在这里上传了文档的一部分：
http://pastebin.com/Q8CdnASz

Answer 1

<ph>标记内的内容已被编码以保留保留的字符<和> 。

解决此问题的一种干净方法是让Nokogiri将这些块重新解析为XML：

require 'nokogiri'

doc = Nokogiri::XML('<seg>Trennmesser <ph>&lt;I.FIGREF ITEM=&quot;3&quot; FORMAT=&quot;PARENTHESIS&quot;&gt;</ph><bpt i="1">&lt;I.FIGTARGET TARGET=&quot;CIADDAJA&quot;&gt;</bpt><ept i="1">&lt;/I.FIGREF&gt;</ept></seg>')

ph = Nokogiri::XML::DocumentFragment.parse(doc.at('seg ph').content)
puts ph.to_xml

输出以下节点，显示Nokogiri正确地重新创建了该片段：

<I.FIGREF ITEM="3" FORMAT="PARENTHESIS"/>

要提取<seg>标记内的文本：

doc.at('//seg/text()').text
=> "Trennmesser "

在处理HTML或XML时，永远不要假设正则表达式将是提取某些内容的最佳途径。 HTML和XML都太不规则且太“柔韧性”（柔韧性意味着它经常以完全独特和出乎意料的方式令人讨厌地畸形或定义）。

要在第二个问题中的<seg>标记内获取全部内容：

require 'nokogiri'

doc = Nokogiri::XML('<seg>Hilfsmittel <ph>&lt;F34@Z7@Lge&gt;</ph>X <ph>&lt;F0&gt;</ph>= 0,5mm zwischen    Beschleunigerwalze <ph>&lt;F34@Z7@Lge&gt;</ph>D<ph>&lt;F0&gt;</ph> und Trennmesser schieben.</seg>')

seg = Nokogiri::XML::DocumentFragment.parse(doc.at('seg').content)
puts seg.content

哪个输出：

Hilfsmittel @Z7@Lge>X = 0,5mm zwischen    Beschleunigerwalze @Z7@Lge>D und Trennmesser schieben.

Answer 2

在irb中尝试这个

require 'nokogiri'
x = Nokogiri::XML.parse('<seg>Hilfsmittel <ph>&lt;F34@Z7@Lge&gt;</ph>X <ph>&lt;F0&gt;</ph>= 0,5mm zwischen    Beschleunigerwalze <ph>&lt;F34@Z7@Lge&gt;</ph>D<ph>&lt;F0&gt;</ph> und Trennmesser schieben.</seg>')
x.xpath('//seg').children.reject {|x| x.element?}.join {|x| x.content}

对我来说这输出

=> "Hilfsmittel X = 0,5mm zwischen    Beschleunigerwalze D und Trennmesser schieben."

这里的想法是，我们遍历<seg>标记的子代，拒绝那些本身是元素（ <ph> ）的子代，后者仅应保留内容元素。 取结果数组，然后将内容元素作为一个字符串连接在一起。

请注意，输出与您所描述的稍有不同，因为两个标记之间还有一个附加的D和X