Nokogiri - 将多行"<link>"标签解析为链接和文本

Question

我正在使用Nokogiri来解析播客的RSS提要。我正在尝试获取包含剧集链接的特定数据，因此我使用 Nokogiri 来解析 RSS 提要的 XML 响应。

相关位如下：

<item>
<title>An awesome title!</title>
...
<link>
http://www.foobar.com/episodes/1
</link>
</item>

不过，Nokogiri 似乎很难抓住<link>标签;我能够将<item>标签作为Nokogiri::Node对象，并且我可以用node.css('title').text很好地获取标题，但是当我尝试使用node.css('link').text时，我得到一个空白字符串。

我尝试调用node.children.to_a来检查此节点中的所有子节点，并注意到一些奇怪的事情：<link>标记中的文本被解析为单独的子节点：

[0] = {Nokogiri::XML::Element} <title>An awesome title!</title>n
[1] = {Nokogiri::XML::Element} <link>
[2] = {Nokogiri::XML::Text} http://www.foobar.com/episodes/1n

有没有办法帮助Nokogiri正确解析这个多行标签，以便我可以抓取里面的文本？

更新：这是我遇到问题时正在执行的确切代码。

require 'open-uri'
doc = Nokogiri::HTML(open('https://rss.acast.com/abroadinjapan')) # Returns Nokogiri::HTML::Document
node = doc.css('//item').first # Returns Nokogiri::XML::Element
node.css('title').text # Returns "Abroad in Japan: Two weeks more in Japan!"
node.css('link').text # Returns ""
node.css('link').inner_text # Also returns "" - saw this elsewhere and thought I'd try it
node.children.to_a # Result, parsed by RubyMine for readability:
result = Array (14 elements)
[0] = {Nokogiri::XML::Element} <title>Abroad in Japan: Two weeks more in Japan!</title>n
[1] = {Nokogiri::XML::Element} <subtitle>Chris and Pete return and they've planned out a very different route through Northern Japan.&amp;nbsp;nnnOur Google Map can be found here:&amp;nbsp;ngoo.gl/3t4t3q&amp;nbsp;nnnGet in touch:&amp;nbsp;[e-mail]&amp;nbsp;nMore Abr...</subtitle>
[2] = {Nokogiri::XML::Element} <summary></summary>
[3] = {Nokogiri::XML::Element} <guid ispermalink="false"></guid>
[4] = {Nokogiri::XML::Element} <pubdate>Wed, 16 May 2018 21:00:00 GMT</pubdate>
[5] = {Nokogiri::XML::Element} <duration>01:00:00</duration>
[6] = {Nokogiri::XML::Element} <keywords></keywords>
[7] = {Nokogiri::XML::Element} <explicit>no</explicit>
[8] = {Nokogiri::XML::Element} <episodetype>full</episodetype>
[9] = {Nokogiri::XML::Element} <image href="https://imagecdn.acast.com/image?h=1500&amp;w=1500&amp;source=https%3A%2F%2Fmediacdn.acast.com%2Fassets%2Fcb30d29f-7342-46f0-a649-12f1b4e601f7%2Fcover-image-jgyt2ecc-japan.jpg"></image>
[10] = {Nokogiri::XML::Element} <description>Chris and Pete return and they've planned out a very different route through Northern Japan. <p><br></p>n<p>Our Google Map can be found here: </p>n<p><a href="https://foobar.com/zqWZss9GSF" target="_blank">goo.gl/3t4t3q </a></p>n<p><br></p>n<p>Get in touch: <a href="mailto:[e-mail]" target="_blank">[e-mail]</a> </p>n<p>More Abroad In Japan shows available below, do subscribe, rate and review us on iTunes, and please tell your friends! </p>n<p><br></p>n<p><a href="http://www.radiostakhanov.com/abroadinjapan/" target="_blank">http://www.radiostakhanov.com/abroadinjapan/</a></p>]]&gt;</description>
[11] = {Nokogiri::XML::Element} <link>
[12] = {Nokogiri::XML::Text} https://www.acast.com/abroadinjapan/abroadinjapan-twoweeksmoreinjapan-n                
[13] = {Nokogiri::XML::Element} <enclosure url="https://media.acast.com/abroadinjapan/abroadinjapan-twoweeksmoreinjapan-/media.mp3" length="28806528" type="audio/mpeg"></enclosure>

注意：上面的一个 URL 使用了 URL 缩短器，SO 不喜欢，所以我用foobar.com替换了它。

Answer 1

修复程序比您想象的要简单得多。RSS 提要不是有效的 HTML，但它适用于 XML：

doc = Nokogiri::XML(open('...'))

Ruby还有一个名为RSS的模块，它可能更适合这样的事情：

require 'rss'
doc = RSS::Parser.parse(open('...'))
doc.items.first.link
=> "https://...."