时间戳

首页 > 解决方案 > Nokogiri - 将多行` `标签解析为链接和文本

ruby - Nokogiri - 将多行` `标签解析为链接和文本

问题描述

我正在使用 Nokogiri 解析播客的 RSS 提要。我正在尝试获取包含剧集链接的特定数据，因此我使用 Nokogiri 来解析 RSS 提要的 XML 响应。

相关位如下：

<item>
  <title>An awesome title!</title>
  ...
  <link>
    http://www.foobar.com/episodes/1
  </link>
</item>

不过，Nokogiri 似乎很难抓住<link>标签。我能够将<item>标签作为Nokogiri::Node对象获取，并且可以使用 很好地获取标题node.css('title').text，但是当我尝试使用 相同时node.css('link').text，我得到一个空白字符串。

我尝试调用node.children.to_a检查此节点中的所有子节点，但我注意到一些奇怪的事情：<link>标签内的文本被解析为一个单独的子节点：

[0] = {Nokogiri::XML::Element} <title>An awesome title!</title>\n
[1] = {Nokogiri::XML::Element} <link>
[2] = {Nokogiri::XML::Text} http://www.foobar.com/episodes/1\n

有没有办法可以帮助 Nokogiri 正确解析这个多行标签，以便我可以抓取里面的文本？

更新：这是我遇到问题时正在执行的确切代码。

require 'open-uri'
doc = Nokogiri::HTML(open('https://rss.acast.com/abroadinjapan')) # Returns Nokogiri::HTML::Document
node = doc.css('//item').first # Returns Nokogiri::XML::Element
node.css('title').text # Returns "Abroad in Japan: Two weeks more in Japan!"
node.css('link').text # Returns ""
node.css('link').inner_text # Also returns "" - saw this elsewhere and thought I'd try it
node.children.to_a # Result, parsed by RubyMine for readability:

result = Array (14 elements)
 [0] = {Nokogiri::XML::Element} <title>Abroad in Japan: Two weeks more in Japan!</title>\n
 [1] = {Nokogiri::XML::Element} <subtitle>Chris and Pete return and they've planned out a very different route through Northern Japan.&amp;nbsp;\n\n\nOur Google Map can be found here:&amp;nbsp;\ngoo.gl/3t4t3q&amp;nbsp;\n\n\nGet in touch:&amp;nbsp;abroadinjapanpodcast@gmail.com&amp;nbsp;\nMore Abr...</subtitle>
 [2] = {Nokogiri::XML::Element} <summary></summary>
 [3] = {Nokogiri::XML::Element} <guid ispermalink="false"></guid>
 [4] = {Nokogiri::XML::Element} <pubdate>Wed, 16 May 2018 21:00:00 GMT</pubdate>
 [5] = {Nokogiri::XML::Element} <duration>01:00:00</duration>
 [6] = {Nokogiri::XML::Element} <keywords></keywords>
 [7] = {Nokogiri::XML::Element} <explicit>no</explicit>
 [8] = {Nokogiri::XML::Element} <episodetype>full</episodetype>
 [9] = {Nokogiri::XML::Element} <image href="https://imagecdn.acast.com/image?h=1500&amp;w=1500&amp;source=https%3A%2F%2Fmediacdn.acast.com%2Fassets%2Fcb30d29f-7342-46f0-a649-12f1b4e601f7%2Fcover-image-jgyt2ecc-japan.jpg"></image>
 [10] = {Nokogiri::XML::Element} <description>Chris and Pete return and they've planned out a very different route through Northern Japan. <p><br></p>\n<p>Our Google Map can be found here: </p>\n<p><a href="https://foobar.com/zqWZss9GSF" target="_blank">goo.gl/3t4t3q </a></p>\n<p><br></p>\n<p>Get in touch: <a href="mailto:abroadinjapanpodcast@gmail.com" target="_blank">abroadinjapanpodcast@gmail.com</a> </p>\n<p>More Abroad In Japan shows available below, do subscribe, rate and review us on iTunes, and please tell your friends! </p>\n<p><br></p>\n<p><a href="http://www.radiostakhanov.com/abroadinjapan/" target="_blank">http://www.radiostakhanov.com/abroadinjapan/</a></p>]]&gt;</description>
 [11] = {Nokogiri::XML::Element} <link>
 [12] = {Nokogiri::XML::Text} https://www.acast.com/abroadinjapan/abroadinjapan-twoweeksmoreinjapan-\n                
 [13] = {Nokogiri::XML::Element} <enclosure url="https://media.acast.com/abroadinjapan/abroadinjapan-twoweeksmoreinjapan-/media.mp3" length="28806528" type="audio/mpeg"></enclosure>

注意：上面的 URL 之一使用了一个 URL 缩短器，所以我不喜欢它，所以我用foobar.com.

标签： rubyxmlnokogiri

解决方案

修复比您想象的要简单得多。RSS 提要不是有效的 HTML，但它适用于 XML：

doc = Nokogiri::XML(open('...'))

Ruby 还有一个名为 RSS 的模块，它可能更适合这样的事情：

require 'rss'
doc = RSS::Parser.parse(open('...'))
doc.items.first.link
=> "https://...."

推荐阅读