我正在使用Nokogiri解析一个网页,并想解析出一个图像URL。这是我的设置:
require 'nokogiri'
require 'open-uri'
doc = Nokogiri::HTML(open('https://themeforest.net/search?sort=sales'))
如果我检查chrome上的页面,我可以看到以下代码块:
<div class="_2_3rp " style="padding-top:50.847457627118644%">
<div style="">
<img class="_1xvs1" src="https://themeforest.img.customer.envatousercontent.com/files/274559780/screenshots/00-Preview.jpg?auto=compress%2Cformat&fit=crop&crop=top&w=590&h=300&s=37354d884fd0f3b574238e013b4ea423"
title="Avada | Responsive Multi-Purpose Theme"
alt="Avada | Responsive Multi-Purpose Theme" style="left: 0%;">
</div>
</div>
然而,当我运行时:
puts doc.search("//div[@class = '_2_3rp ']")
我得到以下信息:
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
.....
=> nil
为什么我没有得到img
类,而是得到lazyload-placeholder
?有没有什么方法可以让我克服这一点,并逃离图像占位符?
以下是我提出的测试断言所需的最小代码:
require 'nokogiri'
doc = Nokogiri::HTML(<<EOT)
<div class="12345">
<div>
<img class="67890" src="https://foo.bar">
</div>
</div>
EOT
doc.search('//div[@class=12345]').map(&:to_html)
# => ["<div class="12345">n" +
# " <div>n" +
# " <img class="67890" src="https://foo.bar">n" +
# " </div>n" +
# "</div>"]
# "</div>"]
看起来img
标签就在那里。
您正在使用Nokogiri::XML
进行解析。不要这样做,因为会发生严格的解析,而HTML不是严格的,如果HTML格式不正确,就会出现问题。