Как разделить HTML-документ с помощью Nokogiri? - PullRequest
Новая
       14

Как разделить HTML-документ с помощью Nokogiri?

3 голосов
/ 14 августа 2010

Сейчас я разбиваю HTML-документ на маленькие кусочки, например: (упрощенное регулярное выражение - пропуск содержимого заголовка и закрывающий тег) 

document.at('body').inner_html.split(/<\s*h[2-6][^>]*>/i).collect do |fragment|
  Nokogiri::HTML(fragment)
end

Есть ли более простой способ выполнить это разбиение?

Документ очень прост, просто заголовки, абзацы и форматированный текст в нем.Например: 

<body>
<h1>Main</h1>
<h2>Sub 1</h2>
<p>Text</p>
-----
<h2>Sub 2</h2>
<p>Text</p>
-----
<h3>Sub 2.1</h3>
<p>Text</p>
-----
<h3>Sub 2.2</h3>
<p>Text</p>
</body>

Для этого образца мне нужно получить четыре штуки.

1 Ответ

5 голосов
/ 08 ноября 2011

Мне просто нужно было сделать что-то подобное. Я разбил большой HTML-файл на «главы», где глава начинается с тега <h1>.

Я также хотел сохранить заголовок глав в хэше и игнорировать все до первого тега <h1>.

Вот код: 

full_book = Nokogiri::HTML(File.read('full-book.html'))
@chapters = full_book.xpath('//body').children.inject([]) do |chapters_hash, child|
  if child.name == 'h1'
    title = child.inner_text
    chapters_hash << { :title => title, :contents => ''}
  end

  next chapters_hash if chapters_hash.empty?
  chapters_hash.last[:contents] << child.to_xhtml
  chapters_hash
end
...