ruby-on-rails - 使用 Mechanize/Nokogiri 提取文本运行

Question

有没有一种合理的方法来提取 Mechanize-parsed HTML 文档中的每一个文本运行，以便（例如）：

<p>Here is <b>some</b> text<p>

分为三个要素：

Here is
some
text

? 我的直觉是，有一种使用递归 CSS 搜索和/或#flatten 的简单技术，但我还没有弄清楚。

Answer 1

借用“ Nokogiri recursively get all children ”中的答案：

result = []
doc.traverse { |node| result << node.text if node.text? }

那应该给你数组["Here is ", "some", " text"]。

“被 Nokogiri 抢劫”讨论traverse。

Answer 2

由于您想要每个文本节点的内容，您可以这样做：

doc.search('//text()').map(&:text)

唯一的缺点（和另一个答案）是你也得到了元素之间的所有空白。如果你想抑制这个，你可以这样做：

doc.search('//text()').map(&:text).delete_if{|x| x !~ /\w/}

这将删除所有不包含单词字符的元素。