Nokogiri，如何删除不必要的 html 内容？
Posted
技术标签:
【中文标题】Nokogiri，如何删除不必要的 html 内容？【英文标题】：Nokogiri, How to remove unnecessary html content? 【发布时间】：2013-07-30 02:38:25 【问题描述】：我对 nokogiri 有意见。假设我有这个 html
<html>
<p>
This is just an example, how to remove the next sentence using nokogiri in Ruby.
Thank you for your help.
<strong> XXXX </strong>
<br/>
<br />
I want to remove all the HTML after the strong XXXX
<br />
<br />
<strong> YYY </strong>
</p>
我怎样才能得到"This is just an example, how to remove the next sentence using nokogiri ... Thank you for your help."？我不想包含来自 <strong> XXXX 的 HTML，直到它的其余部分。
【问题讨论】：
【参考方案1】：如果您只是想获取文本（我认为您要问的是），那么您可以在 Nokogiri 元素上调用 text 方法。这将返回您“...谢谢您的帮助 XXX 我想删除强 XXXX YYY 之后的所有 HTML”。这是 Nokogiri documentation 的链接，如果有帮助的话 - 它谈到了文本方法。或者您是在谈论试图在标签之后不获取任何文本/html？
【讨论】：
您好，感谢您的回复。我想获得全部内容，但排除其中一些，在我制作的样本中，将那些部分从“XXXX”中排除，直到其余部分。因为他们在我不知道如何削减它。
【参考方案2】：希望您正在寻找以下内容：
require 'nokogiri'
doc = Nokogiri::HTML::Document.parse <<-_HTML_
<p>
This is just an example, how to remove the next sentence using nokogiri in Ruby.
Thank you for your help.
<strong> XXXX </strong>
<br/>
<br />
I want to remove all the HTML after the strong XXXX
<br />
<br />
<strong> YYY </strong>
</p>
_HTML_
puts doc.at('//p/text()[1]').to_s.strip
# >> This is just an example, how to remove the next sentence using nokogiri in Ruby.
# >> Thank you for your help.
现在，如果您想从源 html 本身中删除不需要的 html 内容，那么您可以尝试以下方法：
require 'nokogiri'
doc = Nokogiri::HTML::Document.parse <<-_HTML_
<p>
This is just an example, how to remove the next sentence using nokogiri in Ruby.
Thank you for your help.
<strong> XXXX </strong>
<br/>
<br />
I want to remove all the HTML after the strong XXXX
<br />
<br />
<strong> YYY </strong>
</p>
_HTML_
doc.xpath('//p/* | //p/text()').count # => 10
ndst = doc.search('//p/* | //p/text()')[1..-1]
ndst.remove
puts doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body><p>
# >> This is just an example, how to remove the next sentence using nokogiri in Ruby.
# >> Thank you for your help.
# >> </p></body></html>
【讨论】：
是的，像这样，它是如何工作的？为什么结果不包括“强”部分？ @kilua 我使用了 xpath 函数text()。所以它会拾取所有文本节点。不需要关心哪个文本节点与哪个元素节点打包在一起。这就是text() 的工作原理。因为您对第一个文本感兴趣，所以需要[1]，就是这样。
问题是，内容不是静态的，它总是在不断变化。但它仍然有“强”的 XXXX 部分，HTML 内容（中间）部分可以变成 1 段以上。所以 text()[n] 不能真正解决问题。有什么方法可以搜索 XXXX 部分并将其删除？谢谢
@kilua 删除什么部分？为什么 ？然后试试puts doc.at('//p/text()[1]').to_s.strip【参考方案3】：
要具体排除，可以试试
doc.search('//p/text()[not(preceding-sibling::strong)]').text
这表示获取不在strong 之后的所有文本节点。
根据您的输入，这将提取以下内容：
This is just an example, how to remove the next sentence using nokogiri in Ruby.
Thank you for your help.
【讨论】：
以上是关于Nokogiri，如何删除不必要的 html 内容？的主要内容，如果未能解决你的问题，请参考以下文章