直接在 Nokogiri 中的标签内获取文本

Question

我有一些看起来像这样的 HTML：

<dt>
  <a href="#">Hello</a>
  (2009)
</dt>

我已经将所有 HTML 加载到一个名为 record 的变量中。我需要解析出年份，即 2009 年（如果存在）。

如何获取 dt 标签内的文本，而不是a标签内的文本？我用过record.search("dt").inner_text，这给了我一切。

这是一个微不足道的问题，但我还没有设法弄清楚。

Answer 1

要获取所有带有文本的直接子项，而不是任何其他子项，您可以像这样使用 XPath：

doc.xpath('//dt/text()')

或者，如果您希望使用搜索：

doc.search('dt').xpath('text()')

Answer 2

使用 XPath 准确选择您想要的内容（如 @Casper 所建议的）是正确的答案。

def own_text(node)
  # Find the content of all child text nodes and join them together
  node.xpath('text()').text
end

这是一个替代的，有趣的答案:)

def own_text(node)
  node.clone(1).tap{ |copy| copy.element_children.remove }.text
end

在实际操作中看到：

require 'nokogiri'
root = Nokogiri.XML('<r>hi <a>BOO</a> there</r>').root
puts root.text       #=> hi BOO there
puts own_text(root)  #=> hi  there

Answer 3

dt 元素有两个子元素，因此您可以通过以下方式访问它：

doc.search("dt").children.last.text