如何收集多个网页的h1标题

Question

我想浏览几个网页

 theURLs := #('url1' 'url2' 'url3')

并获得第一个h1标题的内容

theURLs collect: [ :anURL |  page := HTTPClient httpGetDocument: anURL.
                             page firstH1heading].

问题

我需要在#firstH1heading的位置放什么？

欢迎回答Squeak/Pharo/Cuis。

备注

在吱吱声

HTTPClient httpGetDocument: 'http://pharo.org/'

返回

MIMEDocument

所以我希望做一些类似的事情

theURLs collect: [ :anURL |  page := HTMLDocument on: 
                                     (HTTPClient httpGetDocument: anURL).
                             page firstH1heading].

但是在Squeak 4.6中没有HTMLDocument类，尽管它以前似乎有一个。(http://wiki.squeak.org/squeak/2249)。Wiki说我应该加载一个包网络HTML。Squeak 4.6的SqueakMap目录有一个包"XMLParser HTML"。可以用这个代替吗？

Answer 1

在Pharo中，您可以使用Soup包。通过配置浏览器进行安装。

您使用Zinc从URL中检索文档，并使用Soup找到第一个<h1>标记，如下所示：

|contents soup body|
contents := ZnClient new get: 'http://zn.stfx.eu/zn/small.html'.
soup := Soup fromString: contents.
body := soup body.
body findTag: 'h1'

Answer 2

我已经更新了配置。您可能需要刷新目录

Name: ConfigurationOfSoup-StephanEggermont.75
Author: StephanEggermont
Time: 14 December 2015, 1:39:52.307715 pm
UUID: 6c11fb83-5299-4852-9563-73ecc34992a0
Ancestors: ConfigurationOfSoup-FrancoisStephany.74
Adopted bug fix to stable 1.7.1 , added Pharo 5 versions