dom - 如何收集多个网页的 h1 标题？

Question

我想浏览几个网页

 theURLs := #('url1' 'url2' 'url3')

并获取第一个h1标题的内容

theURLs collect: [ :anURL |  page := HTTPClient httpGetDocument: anURL.
                             page firstH1heading].

问题

我需要在 #firstH1heading 的位置放什么？

欢迎为 Squeak/Pharo/Cuis 提供答案。

注意

吱吱声

HTTPClient httpGetDocument: 'http://pharo.org/'

返回

MIMEDocument

所以我希望做类似的事情

theURLs collect: [ :anURL |  page := HTMLDocument on: 
                                     (HTTPClient httpGetDocument: anURL).
                             page firstH1heading].

但是在 Squeak 4.6 中，没有 HTMLDocument 类，尽管以前似乎有一个。 (http://wiki.squeak.org/squeak/2249)。 Wiki说我应该加载一个包Network-HTML。 Squeak 4.6 的 SqueakMap 目录有一个包“XMLParser-HTML”。可以用这个代替吗？

Answer 1

在 Pharo 中，您可以使用 Soup package 。通过配置浏览器安装它。

您使用 Zinc 从 URL 检索文档，并找到第一个 <h1>像这样的汤标签:

|contents soup body|
contents := ZnClient new get: 'http://zn.stfx.eu/zn/small.html'.
soup := Soup fromString: contents.
body := soup body.
body findTag: 'h1'