ruby-on-rails - 使用 Nokogiri 和正则表达式解析 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 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，我只需要嵌入标签中不包含“Trennmesser”这个词。

在第二个例子中:

<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 和开放的 ph 标签中的单词也很有趣，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。

我这里也上传了一部分文档:
http://pastebin.com/Q8CdnASz

Answer 1

在 irb 中试试这个

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}

对我来说这个输出

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

这里的想法是我们遍历 <seg> 的 child 标签，拒绝那些本身就是元素的元素( <ph> )，它应该只留下内容元素。获取结果数组，并将内容元素连接在一起作为一个字符串。

请注意，输出与您描述的略有不同，因为还有一个额外的 D和 X在两个标签之间。