在数组中正确地分隔字符串元素

Question

我正在尝试使用Nokogiri解析HTML页面以获取一些公司名称。

names = []
names << Nokogiri::HTML(mypage).css(".name a").text

我的结果是：

["MikeGetsLeadsUruBlondeLaunch LIVERynoRyderBoyer ProductionsStrangerxCerealLume CubeKatapyMacaulay Outdoor PromotionsFlixit ABMedia MosaicLiftCast.TVcool.mediaPeekKLIKseeStreamingo SolutionsPvgnaalughaUser"]

但我想得到的是：

["MikeGetsLeads", "Uru", "Blonde", "Launch LIVE", RynoRyderBoyer Productions", "Stranger", "xCereal", "Lume Cube", "Katapy", "Macaulay Outdoor Promotions", "Flixit AB", "Media Mosaic", "LiftCast.TV", "cool.media", "Peek", "KLIKsee", "Streamingo Solutions", "Pvgna", "alugha", "User"]

我尝试使用.split，但它也没有给我正确的结果。在这个页面上，每个名称都属于一个<div>，因此它在HTML结构中被清晰地分隔开。

HTML结构看起来像这个

<div class='name'>
<a href="https://angel.co/mikegetsleads-2" class="startup-link" data-id="1217822" data-type="Startup">MikeGetsLeads</a>
</div>

Answer 1

问题是，您将text与NodeSet一起使用，而不是与单个节点一起使用。使用NodeSet，所有文本都被连接到一个字符串中。根据NodeSet.inner_text AKA text文档：

获取所有包含的Node对象的内部文本

实际代码为：

def inner_text
  collect(&:inner_text).join('')
end

而Node.content AKA text或inner_text

返回此节点的内容

沉思一下：

require 'nokogiri'
doc = Nokogiri::HTML(<<EOT)
<div>
  <p>foo</p>
  <p>bar</p>
</div>
EOT
doc.css('p').class # => Nokogiri::XML::NodeSet
doc.css('p').text # => "foobar"

相反，您需要在各个节点上使用text：

doc.css('p').map{ |n| n.class } # => [Nokogiri::XML::Element, Nokogiri::XML::Element]
doc.css('p').map{ |n| n.text } # => ["foo", "bar"]

上一行可以简化为：

doc.css('p').map(&:text) # => ["foo", "bar"]

另请参阅"如何避免在抓取时连接来自节点的所有文本"。

Answer 2

require 'rubygems'
require 'nokogiri'
require 'pp'
names = []
mypage = File.open("myhtml.html", "r")
Nokogiri::HTML(mypage).css(".name a").each do |item|
 names << item.text
end
pp names

退货：

["MikeGetsLeads", "MikeGetsLeads2", "MikeGetsLeads3"]