Nokogiri儿童法

Question

我这里有以下XML：

<listing>
    <seller_info>
    <payment_types>Visa, Mastercard, , , , 0, Discover, American Express </payment_types>
    <shipping_info>siteonly, Buyer Pays Shipping Costs </shipping_info>
    <buyer_protection_info/>
    <auction_info>
    <bid_history>
    <item_info>
</listing>

以下代码可以很好地显示第一个 //listing 节点的第一个子节点：

require 'nokogiri'
require 'open-uri' 

html_data = open('http://aiweb.cs.washington.edu/research/projects/xmltk/xmldata/data/auctions/321gone.xml')

nokogiri_object = Nokogiri::XML(html_data)
listing_elements = nokogiri_object.xpath("//listing")

puts listing_elements[0].children[1]

这也有效：

puts listing_elements[0].children[3]

我尝试使用以下代码访问第二个节点 <payment_types>：

puts listing_elements[0].children[2]

但是显示了一个空行。翻看Firebug，明明是listing节点的2nd child。一般来说，只有奇数才适用于 children 方法。

这是 Nokogiri 中的错误吗？有什么想法吗？

Answer 1

这不是错误，它是在解析包含 "\n"（或空节点）的字符串时创建的 space，但您可以使用 noblanks 选项来避免它们：

nokogiri_object = Nokogiri::XML(html_data) { |conf| conf.noblanks }

使用它，您的数组中将没有空白。

Answer 2

问题是您没有正确解析文档。 children returns 比你想象的要多，它的用途是把你逼到墙角。

这是我如何操作的简化示例：

require 'nokogiri'

doc = Nokogiri::XML(DATA.read)

auctions = doc.search('listing').map do |listing|
  seller_info = listing.at('seller_info')
  auction_info = listing.at('auction_info')

  hash = [:seller_name, :seller_rating].each_with_object({}) do |s, h|
    h[s] = seller_info.at(s.to_s).text.strip
  end

  [:current_bid, :time_left].each do |s|
    hash[s] = auction_info.at(s.to_s).text.strip
  end

  hash
end


__END__
<?xml version='1.0' ?>
<!DOCTYPE root SYSTEM "http://www.cs.washington.edu/research/projects/xmltk/xmldata/data/auctions/321gone.dtd">
<root>
  <listing>
    <seller_info>
      <seller_name>537_sb_3 </seller_name>
      <seller_rating> 0</seller_rating>
    </seller_info>
    <auction_info>
      <current_bid> 9.93</current_bid>
      <time_left> 1 Day, 6 Hrs</time_left>
    </auction_info>
  </listing>

  <listing>
    <seller_info>
      <seller_name> lapro8</seller_name>
      <seller_rating> 0</seller_rating>
    </seller_info>
    <auction_info>
      <current_bid> 0.00</current_bid>
      <time_left> 4 Days, 21 Hrs</time_left>
    </auction_info>
  </listing>
</root>

在运行之后，auctions 将是：

auctions
# => [{:seller_name=>"537_sb_3",
#      :seller_rating=>"0",
#      :current_bid=>"9.93",
#      :time_left=>"1 Day, 6 Hrs"},
#     {:seller_name=>"lapro8",
#      :seller_rating=>"0",
#      :current_bid=>"0.00",
#      :time_left=>"4 Days, 21 Hrs"}]

请注意，没有要处理的空文本节点，因为我告诉了 Nokogiri 从哪些节点中获取文本。您应该能够扩展代码以轻松获取所需的任何信息。

显示嵌套或缩进的典型格式化 XML 或 HTML 文档使用文本节点提供缩进：

require 'nokogiri'

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

这是您的代码看到的内容：

doc.at('body').children.map(&:to_html)
# => ["\n" +
#    "    ", "<p>foo</p>", "\n" +
#    "  "]

文本节点让您感到困惑：

doc.at('body').children.first.class # => Nokogiri::XML::Text
doc.at('body').children.first.text # => "\n    "

如果您的下钻不够深，您将拾取文本节点并必须清理结果：

doc.at('body')
  .text # => "\n    foo\n  "
  .strip # => "foo"

相反，明确找到您想要的节点并提取信息：

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

在上面的建议代码中，我使用了 strip，因为传入的 XML 在某些文本周围有空格：

h[s] = seller_info.at(s.to_s).text.strip

这是原始 XML 创建代码在生成 XML 之前未清理行的结果。所以有时我们不得不清理他们的烂摊子，但是节点的正确访问可以减少很多。

Answer 3

问题是 children 包括文本节点，例如元素之间的空白。相反，如果您使用 element_children，您只会得到子元素（即标签的内容，而不是周围的空白）。

Nokogiri儿童法

Nokogiri children method

ruby

nokogiri

xml-parsing