html - 是否可以定义一个 HTML 选择器来连接多个选择器并用分号分隔它们？

Question

我正在尝试使用 pup 解析一个简单的 HTML 页面。 。 这是一个命令行 HTML 解析器，它接受通用 HTML 选择器。

我要选择:

'div.aclass text{}' #(would be SampleA)

我还想选择:

'div.bclass text{}' #(would be SampleB)

我想连接它们并插入一些自定义文本以获得:

SampleA;MYEXTRASTRING;SampleB

我想避免多次调用 pup，因为它很慢。

我可以选择多个标签:

'div.aclass text{}, div.bclass text{}'

但这会导致:

SampleA
SampleB

为此目的，还有比 pup 更好的选择吗？

(注意:Python 不是一个选择，因为它对于我的需求来说非常慢。)

Answer 1

带有 pup 的多个选择器似乎不起作用，这里有一个问题: https://github.com/ericchiang/pup/issues/59

为了达到你的目的，我建议使用hxselect命令，它可以在HTML-XML-utils中找到:https://www.w3.org/Tools/HTML-XML-utils/README

示例:

curl -s http://example.com/ | hxselect -c 'body > div:nth-child(1) > h1:nth-child(1)', 'body > div:nth-child(1) > p:nth-child(3) > a:nth-child(1)' -s ';MYEXTRASTRING;' | sed 's/\(.*\);MYEXTRASTRING;/\1/'

curl 部分:

curl用于下载http://exmaple.com的html内容

hxselect部分:

hxselect 支持多个 CSS 选择器。使用 , 分隔这些选择器。

-c:只打印内容，不带html标签

-s:每次匹配后的分隔 rune 本。就您而言，它是 ;MYEXTRASTRING;

sed 部分:

因为每次匹配都会添加 -s 分隔 rune 本，这意味着会添加两次。 sed 用于删除最后匹配的分隔 rune 本。