如何在 Nokogiri 中解析图像 href
Posted
技术标签:
【中文标题】如何在 Nokogiri 中解析图像 href【英文标题】:How to parse the image href in Nokogiri 【发布时间】:2020-03-06 02:14:50 【问题描述】:我正在使用 Nokogiri 解析网页,并想解析出图像 URL。这是我的设置:
require 'nokogiri'
require 'open-uri'
doc = Nokogiri::html(open('https://themeforest.net/search?sort=sales'))
如果我在 chrome 上检查页面,我可以看到以下代码块:
<div class="_2_3rp " style="padding-top:50.847457627118644%">
<div style="">
<img class="_1xvs1" src="https://themeforest.img.customer.envatousercontent.com/files/274559780/screenshots/00-Preview.jpg?auto=compress%2Cformat&fit=crop&crop=top&w=590&h=300&s=37354d884fd0f3b574238e013b4ea423"
title="Avada | Responsive Multi-Purpose Theme"
style="left: 0%;">
</div>
</div>
但是,当我运行时:
puts doc.search("//div[@class = '_2_3rp ']")
我得到以下信息:
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
.....
=> nil
为什么我没有得到img
类,而是得到lazyload-placeholder
?有什么办法可以克服这个问题,并避开图像占位符?
【问题讨论】:
寻求调试帮助的问题(“为什么这段代码不起作用?”)必须包括所需的行为、特定的问题或错误以及在问题本身中重现它所需的最短代码。见:How to create a Minimal, Reproducible Example。当要求从您的代码和数据中删除所有非必要的信息时。我无法复制这个问题,所以我认为它在某处你没有向我们展示。而且,“以下”输出不能来自输入 HTML,因为第二个div
style
不同。
@theTinMan 我已经用确切的代码更新了我的问题。这是我可以形成可重现示例的唯一方法。
【参考方案1】:
这是我想出的用于测试您的断言的最少代码:
require 'nokogiri'
doc = Nokogiri::HTML(<<EOT)
<div class="12345">
<div>
<img class="67890" src="https://foo.bar">
</div>
</div>
EOT
doc.search('//div[@class=12345]').map(&:to_html)
# => ["<div class=\"12345\">\n" +
# " <div>\n" +
# " <img class=\"67890\" src=\"https://foo.bar\">\n" +
# " </div>\n" +
# "</div>"]
# "</div>"]
看起来img
标签在那里。
您正在使用Nokogiri::XML
进行解析。不要这样做,因为会发生严格的解析,而且对于 HTML,它不是严格的,如果 HTML 格式不正确,可能会出现问题。
【讨论】:
用Nokogiri::HTML
解析返回相同的结果以上是关于如何在 Nokogiri 中解析图像 href的主要内容,如果未能解决你的问题,请参考以下文章
创建“Nokogiri::XML”或“Nokogiri::HTML”对象时如何避免创建无意义的空白文本节点