ruby - 萨克斯用 nokogiri 解析奇怪的元素

Question

我想在 nokogiri 中进行 sax 解析，但是当涉及到解析具有长而疯狂的 xml 元素名称或属性的 xml 元素时......然后一切都变得疯狂。

如果我想解析这个 xml 文件并获取所有标题元素，我该如何使用 nokogiri-sax 来实现。

<titles>
    <title xml:lang="sv">Arkivvetenskap</title>
    <title xml:lang="en">Archival science</title>
</titles>

Answer 1

在您的示例中，title 是元素的名称。 xml:lang="sv" 是一个属性。此解析器假定没有元素嵌套在 title 元素中

require 'rubygems'
require 'nokogiri'

class MyDocument < Nokogiri::XML::SAX::Document
  def start_element(name, attrs)
    @attrs = attrs
    @content = ''
  end
  def end_element(name)
    if name == 'title'
      puts Hash[@attrs]['xml:lang']
      puts @content.inspect
      @content = nil
    end
  end
  def characters(string)
    @content << string if @content
  end
  def cdata_block(string)
    characters(string)
  end
end

parser = Nokogiri::XML::SAX::Parser.new(MyDocument.new)
parser.parse(DATA)

__END__
<titles>
    <title xml:lang="sv">Arkivvetenskap</title>
    <title xml:lang="en">Archival science</title>
</titles>

这打印

sv
"Arkivvetenskap"
en
"Archival science"

SAX 解析通常过于复杂。因此，我推荐 Nokogiri 的标准内存解析器，或者如果您真的需要速度和内存效率，Nokogiri's Reader parser .

为了比较，这里有一个用于同一文档的标准 Nokogiri 解析器

require 'rubygems'
require 'nokogiri'

doc = Nokogiri::XML(DATA)
doc.css('title').each do |title|
  puts title['lang']
  puts title.text.to_s.inspect
end

__END__
<titles>
    <title xml:lang="sv">Arkivvetenskap</title>
    <title xml:lang="en">Archival science</title>
</titles>

这是同一文档的阅读器解析器

require 'rubygems'
require 'nokogiri'

reader = Nokogiri::XML::Reader(DATA)
while reader.read
  if reader.name == 'title' && reader.node_type == Nokogiri::XML::Reader::TYPE_ELEMENT
    puts reader.attribute('xml:lang')
    puts reader.inner_xml.inspect # TODO xml decode this, if necessary.
  end
end

__END__
<titles>
    <title xml:lang="sv">Arkivvetenskap</title>
    <title xml:lang="en">Archival science</title>
</titles>