如何让 Nokogiri inner_HTML 对象成为 ignore/remove 转义序列

Question

目前，我正在尝试使用 nokogiri 获取页面上元素的内部 HTML。但是，我不仅获取了元素的文本，还获取了它的转义序列。有没有办法用 nokogiri 抑制或删除它们？

require 'nokogiri'
require 'open-uri'

page = Nokogiri::HTML(open("http://the.page.url.com"))

page.at_css("td[custom-attribute='foo']").parent.css('td').css('a').inner_html

这个returns=>"\r\n\t\t\t\t\t\t\t\tTheActuallyInnerContentThatIWant\r\n\t"

最有效、最直接的 nokogiri（或 ruby）方法是什么？

Answer 1

page.at_css("td[custom-attribute='foo']")
    .parent
    .css('td')
    .css('a')
    .text               # since you need a text, not inner_html
    .strip              # this will strip a result

String#strip.

旁注：css('td a') 可能比 css('td').css('a').

更有效

Answer 2

深入到包含所需文本的最近节点很重要。考虑一下：

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
  </body>
</html>
EOT

doc.at('body').inner_html # => "\n    <p>foo</p>\n  "
doc.at('body').text # => "\n    foo\n  "
doc.at('p').inner_html # => "foo"
doc.at('p').text # => "foo"

at、at_css 和 at_xpath return 一个 Node/XML:: 元素。 search、css 和 xpath return 一个节点集。查看 Node 或 NodeSet 时 text 或 inner_html return 信息的方式存在很大差异：

doc = Nokogiri::HTML(<<EOT)
<html>
  <body>
    <p>foo</p>
    <p>bar</p>
  </body>
</html>
EOT

doc.at('p') # => #<Nokogiri::XML::Element:0x3fd635cf36f4 name="p" children=[#<Nokogiri::XML::Text:0x3fd635cf3514 "foo">]>
doc.search('p') # => [#<Nokogiri::XML::Element:0x3fd635cf36f4 name="p" children=[#<Nokogiri::XML::Text:0x3fd635cf3514 "foo">]>, #<Nokogiri::XML::Element:0x3fd635cf32bc name="p" children=[#<Nokogiri::XML::Text:0x3fd635cf30dc "bar">]>]

doc.at('p').class # => Nokogiri::XML::Element
doc.search('p').class # => Nokogiri::XML::NodeSet

doc.at('p').text # => "foo"
doc.search('p').text # => "foobar"

请注意，使用 search returned 一个 NodeSet 并且 text returned 将节点的文本连接在一起。这很少是您想要的。

另请注意，Nokogiri 足够聪明，可以在 99% 的情况下判断选择器是 CSS 还是 XPath，因此对这两种类型都使用通用的 search 和 at的选择器非常方便。

如何让 Nokogiri inner_HTML 对象成为 ignore/remove 转义序列

How to get Nokogiri inner_HTML object to ignore/remove escape sequences

ruby

nokogiri

open-uri