我需要从html中提取节点(不是内部文本,所以我可以保留格式以供进一步的手工研究)。我写了下面的代码。但是由于遍历的工作原理,我在新的html文件中得到了重复的内容。
这是要解析的真正的html。http://www.sec.gov/Archives/edgar/data/1750/000104746912007300/a2210166z10-k.htm
基本上我需要提取Item10和"注册人的执行人员"之间的部分到下一个项目。所有文件中都有项目10,但并非所有文件中都有"注册人执行人员"。我需要获取节点而不仅仅是文本,因为我想保留表,所以在下一步中,我可以解析这些部分中的表(如果有的话)。
示例html:
html = "
<BODY>
<P>Dont need this </P>
<P>Start</P>
<P>Text To Extract 1 </P>
<P><Font><B>Text to Extract 2 </B></Font></P>
<DIV><TABLE>
<TR>
<TD>Text to Extract 3</TD>
<TD>Text to Extract 4</TD>
</TR>
</TABLE></DIV>
<P>End</P>
</BODY>
"
我想要得到:
html = "
<BODY>
<P>Start</P>
<P>Text To Extract 1 </P>
<P><Font><B>Text to Extract 2 </B></Font></P>
<DIV><TABLE>
<TR>
<TD>Text to Extract 3</TD>
<TD>Text to Extract 4</TD>
</TR>
</TABLE></DIV>
<P>End</P>
</BODY>
"
当出现start_keyword时开始提取。当end_keyword出现时,结束提取。
我需要从一个html中提取多个部分。关键字可以出现在不同名称的节点中。
doc.at_css('body').traverse do |node|
inMySection = false
if node.text.match(/#{start_keyword}/)
inMySection = true
elsif node.text.match(/#{end_keyword}/)
inMySection = false
end
if inMySection
#Extract the nodes
end
end
在参考了这些文章之后,我也尝试使用xpath来实现这一点,但没有成功:
XPath轴,获取以下所有节点,直到
XPath查找所有后面的兄弟,直到特定类型的下一个兄弟
这不是Nokogiri的问题,而是你的算法。你已经把你的标志inMySection
放在你的循环中,这意味着在每一步你都把它设置为false
,如果它之前被设置为true,你就输了。
nodes = Nokogiri::HTML(html)
inMySection = false
nodes.at_xpath('//body').traverse do |node|
if node.text.match(/Start/)
inMySection = true
elsif node.text.match(/End/)
inMySection = false
end
node.remove unless inMySection
end
print nodes