ruby - 如何使用正则表达式按 HTML 标签拆分

Question

我有这样一个字符串:

"Energia Elétrica kWh<span class=\"_ _3\"> </span>  10.942 <span class=\"_ _4\"> </span> 0,74999294 <span class=\"_ _5\"> </span>     8.206,39"

我想通过它的 HTML 标签拆分它，这些标签总是 <span> .我试过类似的东西:

my_string.split(/<span(.*)span>/) 

但是没有成功，只正确匹配了第一个元素。

有人知道我的正则表达式有什么问题吗？在这个例子中，我期望返回值是:

["Energia Elétrica kWh", "10.942", "0,74999294" ,"8.206,39"]

我想要类似 strip_tags 的东西，但不是返回经过清理的字符串，而是通过删除的标签拆分数组。

Answer 1

不要使用模式来操纵 HTML。这是一个path destined to make you insane .

改为使用 HTML 解析器。 Ruby 的标准是 Nokogiri :

require 'nokogiri'

doc = Nokogiri::HTML::DocumentFragment.parse("Energia Elétrica kWh<span class=\"_ _3\"> </span>  10.942 <span class=\"_ _4\"> </span> 0,74999294 <span class=\"_ _5\"> </span>     8.206,39")

您可以使用 text 来提取所有文本，但是，如果您要的是结构化数据，那么通常很难提取字段，因为文本节点可以连接起来导致运行-关于文字，所以要小心:

doc.text # => "Energia Elétrica kWh   10.942   0,74999294       8.206,39"

相反，我们通常从单个节点中提取数据:

doc.search('span')[1].next_sibling.text # => " 0,74999294 "
doc.search('span').last.next_sibling.text # => "     8.206,39"

或者，我们遍历节点，然后使用 map 获取节点的文本:

doc.search('span').map{ |span| span.next_sibling.text.strip }
# => ["10.942", "0,74999294", "8.206,39"]

我会这样解决问题:

data = [doc.at('span').previous_sibling.text.strip] # => ["Energia Elétrica kWh"]
data += doc.search('span').map{ |span| span.next_sibling.text.strip } 
# => ["Energia Elétrica kWh", "10.942", "0,74999294", "8.206,39"]

或者:

spans = doc.search('span')
data = [
  spans.first.previous_sibling.text,
  *spans.map{ |span| span.next_sibling.text }
].map(&:strip)
# => ["Energia Elétrica kWh", "10.942", "0,74999294", "8.206,39"]

虽然正则表达式通常可以在初始尝试时起作用，但 HTML 格式的更改可能会破坏模式，强制进行额外的更改，然后进行另一个更改，然后再进行另一个更改，直到模式过于复杂为止，而正确编写的解析器方法通常非常有弹性并且不会出现问题。