ruby - 如何在Nokogiri中收集节点的几个元素中的第一个

Question

我的数据如下所示:

<release> 
 <artists>
  <artist>
   <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
 <artists>
</release>
<release>
 <artists>
  <artist>
   <name>Speed</name>
  </artist>
  <artist>
    <name>The Matrix</name>
  </artist>
 <artists>
 </release>
 ...and so on.

对于每个版本，我只需要来自第一个 <artist> 的数据标签。我尝试了以下代码，但它从艺术家那里提取了所有文本:

page = Nokogiri::XML(open("37.xml"))

page.xpath("//artists[1]").each do |el|

File.open("#{LOCAL_DIR}/37.txt", 'a'){|f| f.write(el)}

Answer 1

Nokogiri 支持两种主要类型的搜索，search 和 at。 search 返回一个 NodeSet，您应该将其视为一个数组。 at 返回一个节点。两者都可以采用 CSS 或 XPath 表达式。我更喜欢 CSS，因为它们更具可读性，但有时您无法轻松地使用一个 CSS 到达想要的位置，因此请尝试另一个。

对于您的问题，使用 text 指定要从中提取文本的节点很重要。如果您的结果太宽泛，除了您想要的标签内的文本之外，您还会从标签之间获得文本。为避免向下钻取到您要阅读的内容的最直接节点:

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<release> 
<artists>
  <artist>
  <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
<artists>
<release>
EOT

因为这些专门查找 name 节点，所以很容易获得所需的文本而不会产生垃圾:

doc.at('name').text                # => "Johnny Mnemonic"
doc.at('artist name').text         # => "Johnny Mnemonic"
doc.at('artists artist name').text # => "Johnny Mnemonic"

这些是松散的搜索，因此会返回更多垃圾:

doc.at('artist').text  # => "\n   Johnny Mnemonic\n  "
doc.at('artists').text # => "\n  \n   Johnny Mnemonic\n  \n  \n    Constantine\n  \n \n\n"

使用search 返回多个节点:

doc.search('name').map(&:text)

[
    [0] "Johnny Mnemonic",
    [1] "Constantine"
]

doc.search('artist').map(&:text)

[
    [0] "\n   Johnny Mnemonic\n  ",
    [1] "\n    Constantine\n  "
]

search 和 at 之间唯一真正的区别是 at 类似于 search(...).first.

另见“How to avoid joining all text from Nodes when scraping”。

为了方便起见，Nokogiri 有一些额外的别名:at_css 和 css，以及 at_xpath 和 xpath。

---

这里有替代方法，使用 CSS 和 XPath 访问器获取名称，从 Pry 中截取:

[5] (pry) main: 0> # using CSS with Ruby
[6] (pry) main: 0> artists = doc.search('release').map{ |release| release.at('artist').text.strip }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[7] (pry) main: 0> # using CSS with less Ruby
[8] (pry) main: 0> artists = doc.search('release artists artist:nth-child(1) name').map{ |n| n.text }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[9] (pry) main: 0>
[10] (pry) main: 0> # using XPath
[11] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[12] (pry) main: 0> # using more XPath
[13] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name/text()').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]