html - 如何使用 Kuchiki 获取 HTML 文档的所有文本(script/style/noscript 标签除外)?
问题描述
我正在尝试获取 HTML 页面上的所有文本,不可见文本除外(例如:我不希望在 script/style/noscript 标记中使用文本)。
到目前为止,这是我想出的:
let parser = kuchiki::parse_html().one(content);
for child in parser.inclusive_descendants() {
if let Some(el) = child.as_element() {
let tag_name = &el.name.local;
if tag_name == "script" || tag_name == "style" || tag_name == "noscript" {
child.detach();
}
}
}
let text = parser.text_contents();
println!("{}", text);
这个想法是第一遍将删除任何script
, style
, 或noscript
标签。然后我可以打电话text_contents
来获取可见的文本。
但是,似乎text_contents
仍在返回内联 Javascript。
我是否误解了 Kuchiki/html5ever API?
解决方案
迭代器inclusive_descendants()
似乎不喜欢迭代节点并分离它们。
鉴于以下情况:
货运.toml
[dependencies]
kuchiki = "0.8.1"
main.rs
use kuchiki::traits::TendrilSink;
let content = "\
<html>\
<head></head>\
<body>\
<div>div </div>\
<script type='text/javascript'>script </script>\
<noscript>noscript </noscript>\
<span>span</span>\
</body>\
</html>";
let parser = kuchiki::parse_html().one(content);
for child in parser.inclusive_descendants() {
if let Some(el) = child.as_element() {
println!("{}", el.name.local);
}
}
// println!("{}", parser.text_contents());
我们确实得到了所有节点:
html
head
body
div
script
noscript
span
text_contents()
在迭代它们并像上面那样分离它们之后使用时,迭代器似乎在第一个分离节点之后失去了轨道:
div noscript span
它似乎也不取决于标签的类型,因为切换<noscript>
and<script>
标签的顺序给了我们:
div script span
我发现先收集节点后分离节点似乎确实有效:
parser
.inclusive_descendants()
.filter(|node| {
node.as_element().map_or(false, |e| {
matches!(e.name.local.as_ref(), "script" | "style" | "noscript")
})
})
.collect::<Vec<_>>()
.iter()
.for_each(|node| node.detach());
println!("{}", parser.text_contents());
div span
推荐阅读
- python - 我可以在 pandas 数据框中找到替换功能的替代 `.loc` 替代方法吗
- push-notification - 应用中心推送与通知中心
- javascript - 网址已定义,但仍收到未定义协议的错误
- c# - 发出 Moq'ing HttpResponseMessage
- c++ - 在 C++/Arduino 的结构中打包位
- email - xamarin 形式:拨打电话和发送电子邮件(IOS、Android 和 UWP)
- python - 如何从字符串中删除\n、\"、\\等
- pycharm - Pycharm 重新创建已删除的项目
- android - kotlin Android 微调器 notifyDataSetChanged()
- spring - 添加bean后出错