1

首先,让我承认我是 Ruby 的新手。我只用了几天,但取得了相当大的成功。我已经能够解析在多个 HTML 文件中单独存在的某些项目并导出为 CSV;但是,我一直在解析多个 HTML 文件上的整个数据表。我能够提取超出我需要的内容,但生成的 CSV 导出将每个 HTML 文件的所有数据作为一个数组包含在 CSV 的单个单元格中。

这是我正在查看的数据的简化版本(每页重复大约 20-30 行):

  <tbody id="threadbits_forum_406"> 
  <tr>
    <td class="alt1" id="td_threadstatusicon_######"> IMG </td> 
    <td class="alt2" align="center" valign="middle"> 
      <a href="http://I.NEED.THIS">
          <div style="height:75px; width:150px; overflow:hidden; background:url(http://I.NEED.THIS/TOO) center 25%;"> </div>
      </a> 
     </td> 
     <td class="alt1" id="td_threadtitle_######" title="blah">[...]</td> 
     <td class="alt2" title="blah"> <div class="smallfont" style="text-align:right; white-space:nowrap"> <a href="dontcare"> </a> </div> </td> 
     <td class="alt1" align="center">[...]</td> 
     <td class="alt2" align="center">[...]</td>
  </tr>

由于该列的类被使用了几次,我无法理解使用什么 CSS 或 XPATH 技巧来提取 DIV 中的背景图片和第二列上的 HREF 链接。DIV 没有其他列中使用的类。

如果有人能给我一点指导,我将不胜感激!

4

1 回答 1

0
doc.search('tr td:eq(2)').each do |td|
  puts td.at('a')['href'] # http://I.NEED.THIS
  if td.at('div')['style'] =~ /url\((.+)\)/
    puts $1 # http://I.NEED.THIS/TOO
  end
end
于 2013-11-03T05:26:19.503 回答