3

我的数据看起来像:

<release> 
 <artists>
  <artist>
   <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
 <artists>
</release>
<release>
 <artists>
  <artist>
   <name>Speed</name>
  </artist>
  <artist>
    <name>The Matrix</name>
  </artist>
 <artists>
 </release>
 ...and so on.

对于每个版本,我只想要第一个<artist>标签中的数据。我尝试了以下代码,但它从艺术家那里提取了所有文本:

page = Nokogiri::XML(open("37.xml"))

page.xpath("//artists[1]").each do |el|

File.open("#{LOCAL_DIR}/37.txt", 'a'){|f| f.write(el)}
4

2 回答 2

9

Nokogiri 支持两种主要类型的搜索,searchat. search返回一个 NodeSet,您应该将其视为一个数组。at返回一个节点。两者都可以采用 CSS 或 XPath 表达式。我更喜欢 CSS,因为它们更具可读性,但有时你不能很容易地用一个来到达你想去的地方,所以试试另一个。

对于您的问题,指定要从中提取文本的节点很重要,使用text. 如果您的结果太宽泛,除了您想要的标签内的文本之外,您还会从标签之间获取文本。为了避免深入到您要阅读的内容的最直接节点:

require 'nokogiri'

doc = Nokogiri::XML(<<EOT)
<release> 
<artists>
  <artist>
  <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
<artists>
<release>
EOT

因为这些专门寻找name节点,所以很容易获得所需的文本而没有垃圾:

doc.at('name').text                # => "Johnny Mnemonic"
doc.at('artist name').text         # => "Johnny Mnemonic"
doc.at('artists artist name').text # => "Johnny Mnemonic"

这些是更宽松的搜索,因此返回了更多垃圾:

doc.at('artist').text  # => "\n   Johnny Mnemonic\n  "
doc.at('artists').text # => "\n  \n   Johnny Mnemonic\n  \n  \n    Constantine\n  \n \n\n"

使用search返回多个节点:

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

[
    [0] "Johnny Mnemonic",
    [1] "Constantine"
]

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

[
    [0] "\n   Johnny Mnemonic\n  ",
    [1] "\n    Constantine\n  "
]

search和之间唯一真正的区别at是,at就像search(...).first.

另请参阅“如何避免在抓取时加入来自节点的所有文本”。

为方便起见,Nokogiri 有一些额外的别名:at_cssand css, and at_xpathand xpath


以下是替代方法,使用 CSS 和 XPath 访问器获取名称,从 Pry 中截取:

[5] (pry) main: 0> # using CSS with Ruby
[6] (pry) main: 0> artists = doc.search('release').map{ |release| release.at('artist').text.strip }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[7] (pry) main: 0> # using CSS with less Ruby
[8] (pry) main: 0> artists = doc.search('release artists artist:nth-child(1) name').map{ |n| n.text }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[9] (pry) main: 0>
[10] (pry) main: 0> # using XPath
[11] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[12] (pry) main: 0> # using more XPath
[13] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name/text()').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
于 2013-03-18T20:32:49.540 回答
0

您的 xpath 表达式选择,而不是您似乎期望的<artists>每个标签。试试这个:<artist>

doc.search('artists artist').map(&:text)

您的表达式"//artists"将检索所有“艺术家”标签,[1]选择这些标签中的第一个,而不是标签本身内的第一个元素。

于 2013-03-18T20:22:22.487 回答