我想提取html的文本表格,该表格为 text.html ,如下
<div class="trans-container">
<ul>
<p class="wordGroup">
<span style="font-weight: bold; color: #959595; margin-right: .5em; width : 36px; display: inline-block;">adj.</span>
<span class="contentTitle"><a class="search-js" href="/w/good/#keyfrom=E2Ctranslation">good</a>
<span style="font-weight: bold; color: #959595;"> ;</span>
</span>
<span class="contentTitle"><a class="search-js" href="/w/fine/#keyfrom=E2Ctranslation">fine</a>
<span style="font-weight: bold; color: #959595;"> ;</span>
</span>
<span class="contentTitle"><a class="search-js" href="/w/ok/#keyfrom=E2Ctranslation">ok</a>
</span>
</p>
<p class="wordGroup">
<span style="font-weight: bold; color: #959595; margin-right: .5em; width : 36px; display: inline-block;">adv.</span>
<span class="contentTitle"><a class="search-js" href="/w/well/#keyfrom=E2Ctranslation">well</a>
</span>
</p>
<p class="wordGroup">
<span style="font-weight: bold; color: #959595; margin-right: .5em; width : 36px; display: inline-block;">misc.</span>
<span class="contentTitle"><a class="search-js" href="/w/all right/#keyfrom=E2Ctranslation">all right</a>
</span>
</p>
</ul>
</div>
并将其打印为以下格式。
adj. good ; fine ; ok
adv. well
misc. all right
我尝试的是下面的代码
const cheerio = require('cheerio');
const fs = require('fs');
const $ = cheerio.load(fs.readFileSync('./test.html'));
$('div.trans-container').find('p.wordGroup').each(function(i,elm){
const line = []
$(this).find('span').each(function(i,elm){
line[i] = $(this).text().trim()
})
console.log(line.join(' '))
});
不幸的是,我们的输入如下,而不是我想要的。谁能帮助我指出我错了的地方?另外,如果您能为我提供其他体面的方法来解决此问题的方法 javascript ,无论有或没有 cheerio 。。
adj. good
; ; fine
; ; ok
adv. well
misc. all right
只需在主组上使用 text()
即.wordGroup
,在这种情况下,它将在没有HTML元素的情况下获取元素的所有文本。然后在其上运行replace()
,以删除具有单个空间的所有空格字符。
$('div.trans-container').find('p.wordGroup').each(function(i,elm){
// regex: /s+/g matches 1 or more whitespace characters nrft
var line = $(this).text().replace(/s+/g," ");
console.log(line);
});
对于仅使用本机JavaScript进行操作,您无法使用NodeJS来做到这一点,因为它没有本机DOM支持。因此,您必须使用Cheerio或Jsdom之类的模块。如果您是在浏览器中的JavaScript,那就是:
document.querySelectorAll('div.trans-container p.wordGroup')
.forEach(ele=>console.log( ele.innerText.replace(/s+/g," ") ));
如果您对 <p>
标签的每个标签给出ID,则可以使用此脚本访问您的子元素并从中获取值:
var adjElements = document.getElementById("adj").children;
var advElements = document.getElementById("adv").children;
var miscElements = document.getElementById("misc").children;
var adjObject =[];
var advObject =[];
var miscObject =[];
for (var i=0; i<=adjElements.length -1; i++){
adjObject.push(adjElements[i].innerText);
}
for (var i=0; i<=advElements.length -1; i++){
advObject.push(advElements[i].innerText);
}
for (var i=0; i<=miscElements.length -1; i++){
miscObject.push(miscElements[i].innerText);
}
console.log(adjObject); //["adj.", "good ; ", "fine ; ", "ok"]
console.log(advObject); //["adv.", "well"]
console.log(miscObject); // ["misc.", "all right"]
我为您做一个例子:
https://jsfiddle.net/37g6ture/2/
记住将adj
,adv
和misc
ID添加到您的P标签。
这也许是您要寻找的解决方案
line[i] = $(this).children().length > 0 ? $(this).children(":first-child").text().trim() : $(this).text().trim();
这给出了预期的输出。这检查该节点是否具有子节点,并且仅获取第一个节点文本。如果没有子节点,则只需提取节点文本。
http://api.jquery.com/text/Say
在匹配的集合中获取每个元素的组合文本内容 元素,包括其后代或设置文本内容 匹配的元素。
另一个相关帖子是此https://stackoverflow.com/a/32170000/578855
您的主要问题是双循环。内部$(this).find('span').each
正在导致一些跨度超过两次。例如:
<span class="contentTitle">
<a class="search-js" href="/w/fine/#keyfrom=E2Ctranslation">fine</a>
<span style="font-weight: bold; color: #959595;"> ;</span>
</span>
在<span class="contentTitle">
上调用span.text()
将返回fine ;
同样,内部跨度<span style="font-weight: bold; color: #959595;">
也迭代,并添加第二个;
。其次,如果您的目标是删除所有额外的空白,但是离开单个空间,这将起作用.replace(/ss+/g, ' '))
整个代码:
const $ = require('cheerio').load(require('fs').readFileSync('./test.html'));
$('div.trans-container').find('p.wordGroup').each(function(i,elm){
console.log($(this).text().replace(/ss+/g, ' '));
});
导致
adj. good ; fine ; ok
adv. well
misc. all right