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.&nbsp;\n\n\nOur Google Map can be found here:&nbsp;\ngoo.gl/3t4t3q&nbsp;\n\n\nGet in touch:&nbsp;abroadinjapanpodcast@gmail.com&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&w=1500&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>]]></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
.
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
- python - 将 boost::python::numpy::ndarray 作为 boost::python 函数的(默认与否)参数传递?
- java - docker-java 使用 -rm 标志运行容器
- php - 展平多维数组,同时从每个数组中删除一个元素
- linux - 我正在尝试将文件从远程服务器复制到本地计算机
- bash - 从文件中选择模式并将其复制到适当位置的另一个文件
- php - 如何将一个变量的值绑定到php中的另一个变量
- apache-zookeeper - Zookeeper 超时后未恢复
- vue.js - 如何激活 Vue-Cli 4 的源映射?
- javascript - 如果复选框为真,则在文本区域中显示值
- c# - 文化 ID 31770 (0x7C1A) 是中性文化;无法从中创建区域。参数名称:文化