如何收集Nokogiri中节点的第一个元素

Question

我有如下数据:

<release> 
 <artists>
  <artist>
   <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
 <artists>
</release>
<release>
 <artists>
  <artist>
   <name>Speed</name>
  </artist>
  <artist>
    <name>The Matrix</name>
  </artist>
 <artists>
 </release>
 ...and so on.

对于每个版本，我只想要来自第一个<artist>标记的数据。我尝试了以下代码，但它从艺术家中提取所有文本:

page = Nokogiri::XML(open("37.xml"))
page.xpath("//artists[1]").each do |el|
File.open("#{LOCAL_DIR}/37.txt", 'a'){|f| f.write(el)}

Answer 1

Nokogiri支持两种主要类型的搜索，search和at。search返回一个NodeSet，您应该将其视为一个数组。at返回一个Node。可以采用CSS或XPath表达式。我更喜欢CSS，因为它们更具可读性，但有时你不能很容易地达到你想要的地方，所以尝试另一个。

对于您的问题，重要的是指定要从中提取文本的节点，使用text。如果你的结果太宽泛，除了你想要的标签内的文本之外，你还会得到标签之间的文本。为了避免这种情况，向下钻取到您想要读取的最直接的节点:

require 'nokogiri'
doc = Nokogiri::XML(<<EOT)
<release> 
<artists>
  <artist>
  <name>Johnny Mnemonic</name>
  </artist>
  <artist>
    <name>Constantine</name>
  </artist>
<artists>
<release>
EOT

因为它们专门查找name节点，所以很容易获得所需的文本，而不会产生垃圾:

doc.at('name').text                # => "Johnny Mnemonic"
doc.at('artist name').text         # => "Johnny Mnemonic"
doc.at('artists artist name').text # => "Johnny Mnemonic"

这些是更松散的搜索，因此返回更多垃圾:

doc.at('artist').text  # => "n   Johnny Mnemonicn  "
doc.at('artists').text # => "n  n   Johnny Mnemonicn  n  n    Constantinen  n nn"

使用search返回多个节点:

doc.search('name').map(&:text)
[
    [0] "Johnny Mnemonic",
    [1] "Constantine"
]
doc.search('artist').map(&:text)
[
    [0] "n   Johnny Mnemonicn  ",
    [1] "n    Constantinen  "
]

search和at唯一真正的区别是at和search(...).first很像。

参见"如何避免在抓取时连接节点中的所有文本"。

Nokogiri有一些方便的别名:at_css和css, at_xpath和xpath。

---

以下是使用CSS和XPath访问器获取名称的替代方法，摘自Pry:

[5] (pry) main: 0> # using CSS with Ruby
[6] (pry) main: 0> artists = doc.search('release').map{ |release| release.at('artist').text.strip }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[7] (pry) main: 0> # using CSS with less Ruby
[8] (pry) main: 0> artists = doc.search('release artists artist:nth-child(1) name').map{ |n| n.text }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[9] (pry) main: 0>
[10] (pry) main: 0> # using XPath
[11] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]
[12] (pry) main: 0> # using more XPath
[13] (pry) main: 0> artists = doc.search('release/artists/artist[1]/name/text()').map{ |t| t.content }
[
    [0] "Johnny Mnemonic",
    [1] "Speed"
]

Answer 2

xpath表达式选择<artists>，而不是您所期望的每个<artist>标记。试试这个:

doc.search('artists artist').map(&:text)

表达式"//artists"将检索所有的"艺术家"标签，[1]选择这些标签中的第一个，而不是标签本身的第一个元素。