现在,我将 HTML 文档拆分成如下小块: (正则表达式简化 - 跳过标题标签内容和结束标签)
document.at('body').inner_html.split(/<\s*h[2-6][^>]*>/i).collect do |fragment|
Nokogiri::HTML(fragment)
end
有没有更简单的方法来执行该拆分?
文档非常简单,只有标题、段落和格式化文本。 例如:
<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>
对于那个样本,我需要四 block 。
最佳答案
我只需要做类似的事情。我将一个大的 HTML 文件分成“章节”,其中一章以 <h1>
开头。标签。
我还想将章节的标题保留在散列中,并忽略第一个 <h1>
之前的所有内容标签。
代码如下:
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
关于ruby - 如何使用 Nokogiri 拆分 HTML 文档?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/3484874/