Вопросы Теги

Текст полосы из документа HTML с помощью Ruby

В этом случае мог бы это быть лучше обработать символ* непосредственно, вместо того, чтобы присвоить его станд.:: строка.

9
задан davidsmalley 30 September 2009 в 11:06
поделиться

4 ответа

Это тоже работает: 

doc = Nokogiri::HTML(your_html)
doc.xpath("//text()").remove
38
ответ дан 4 December 2019 в 06:09
поделиться

Вы можете просканировать строку, чтобы создать массив «токенов», а затем выбрать только те, которые являются тегами html: 

>> some_html
=> "<div>foo bar</div><p>I like <em>this</em> stuff <a href='http://foo.bar'> long time</a></p>"
>> some_html.scan(/<\/?[^>]+>|[\w\|`~!@#\$%^&*\(\)\-_\+=\[\]{}:;'",\.\/?]+|\s+/).select { |t| t =~ /<\/?[^>]+>/ }.join("")
=> "<div></div><p><em></em><a href='http://foo.bar'></a></p>"

== Edit ==

Или, что еще лучше, просто сканирование тегов html;) 

>> some_html.scan(/<\/?[^>]+>/).join("")
=> "<div></div><p><em></em><a href='http://foo.bar'></a></p>"
3
ответ дан 4 December 2019 в 06:09
поделиться

I just came up with this, but @andre-r's solution is soo much better!

#!/usr/bin/env ruby

require 'nokogiri'

def strip_text doc
  Nokogiri(doc).tap { |doc|
    doc.traverse do |node|
      node.content = nil if node.text?
    end
  }.to_s
end

require 'test/unit'
require 'yaml'
class TestHTMLStripping < Test::Unit::TestCase
  def test_that_all_text_gets_strippped_from_the_document
    dirty, clean = YAML.load DATA
    assert_equal clean, strip_text(dirty)
  end
end
__END__
---
- |
  <!DOCTYPE html>
  <html xmlns='http://www.w3.org/1999/xhtml' xml:lang='en' lang='en'>
    <head>
        <meta http-equiv='Content-type'     content='text/html; charset=UTF-8' />
        <title>Test HTML Document</title>
        <meta http-equiv='content-language' content='en' />
    </head>
    <body>
        <h1>Test <abbr title='Hypertext Markup Language'>HTML</abbr> Document</h1>
        <div class='main'>
            <p>
                <strong>Test</strong> <abbr title='Hypertext Markup Language'>HTML</abbr> <em>Document</em>
            </p>
        </div>
    </body>
  </html>
- |
  <!DOCTYPE html>
  <html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
  <head>
  <meta http-equiv="Content-Type" content="text/html; charset=UTF-8">
  <title></title>
  <meta http-equiv="content-language" content="en">
  </head>
  <body><h1><abbr title="Hypertext Markup Language"></abbr></h1><div class="main"><p><strong></strong><abbr title="Hypertext Markup Language"></abbr><em></em></p></div></body>
  </html>
0
ответ дан 4 December 2019 в 06:09
поделиться

Чтобы захватить все, что не входит в тег, вы можете использовать nokogiri следующим образом: 

doc.search('//text()').text

Конечно, это захватит такие вещи, как содержимое

© 2017 - 2020 Вопросы и ответы по программированию