ruby - 在 hpricot/nokogiri 中搜索 h2 元素之前的所有元素

Question

我正在尝试解析维基词典条目以检索所有英语定义。我能够检索所有定义，问题是某些定义是其他语言的。我想做的是以某种方式仅检索具有英文定义的 HTML block 。我发现，如果有其他语言条目，可以通过以下方式检索英语定义之后的 header :

header = (doc/"h2")[3]

所以我只想搜索此标题元素之前的所有元素。我认为使用 header.preceding_siblings() 可能可以，但这似乎不起作用。有什么建议吗？

Answer 1

您可以通过 Nokogiri 使用访客模式。此代码将删除从其他语言定义的 h2 开始的所有内容:

require 'nokogiri'
require 'open-uri'

class Visitor
  def initialize(node)
    @node = node
  end

  def visit(node)
    if @remove || @node == node
      node.remove
      @remove = true
      return
    end
    node.children.each do |child|
      child.accept(self)
    end
  end
end

doc = Nokogiri::XML.parse(open('http://en.wiktionary.org/wiki/pony'))
node = doc.search("h2")[2]  #In this case, the Italian h2 is at index 2.  Your page may differ

doc.root.accept(Visitor.new(node))  #Removes all page contents starting from node