Как ориентироваться в DOM с помощью Nokogiri

StackOverflow https://stackoverflow.com/questions/657468

Вопрос

Я пытаюсь заполнить переменные parent_element_h1 и parent_element_h2. Может ли кто-нибудь помочь мне использовать Nokogiri , чтобы получить необходимую информацию для этих переменных? 

require 'rubygems'
require 'nokogiri'

value = Nokogiri::HTML.parse(<<-HTML_END)
  "<html>
    <body>
      <p id='para-1'>A</p>
      <div class='block' id='X1'>
        <h1>Foo</h1>
        <p id='para-2'>B</p>
      </div>
      <p id='para-3'>C</p>
      <h2>Bar</h2>
      <p id='para-4'>D</p>
      <p id='para-5'>E</p>
      <div class='block' id='X2'>
        <p id='para-6'>F</p>
      </div>
    </body>
  </html>"
HTML_END

parent = value.css('body').first

# start_here is given: A Nokogiri::XML::Element of the <div> with the id 'X2
start_here = parent.at('div.block#X2')

# this should be a Nokogiri::XML::Element of the nearest, previous h1.
# in this example it's the one with the value 'Foo'
parent_element_h1 = 

# this should be a Nokogiri::XML::Element of the nearest, previous h2. 
# in this example it's the one with the value 'Bar'
parent_element_h2 =
<Ч>

Обратите внимание: элемент start_here может находиться где угодно внутри документа. Данные HTML являются лишь примером. Тем не менее, заголовки <h1> и <h2> могут быть родным братом <=> или дочерним элементом родного брата <=>.

Следующий рекурсивный метод является хорошей отправной точкой, но он не работает на <=>, потому что это дочерний элемент одного из братьев <=>: 

def search_element(_block,_style)
  unless _block.nil?
    if _block.name == _style
      return _block
    else
      search_element(_block.previous,_style)
    end
  else
    return false
  end
end

parent_element_h1 = search_element(start_here,'h1')
parent_element_h2 = search_element(start_here,'h2')
<Ч>

После принятия ответа я предложил свое собственное решение . Это работает как шарм, и я думаю, что это довольно круто.

Это было полезно?

Решение

Я столкнулся с этим на несколько лет позже, я полагаю, но был вынужден опубликовать, потому что все остальные решения слишком сложны.

Это одно утверждение в XPath: 

start = doc.at('div.block#X2')

start.at_xpath('(preceding-sibling::h1 | preceding-sibling::*//h1)[last()]')
#=> <h2>Foo</h2>    

start.at_xpath('(preceding-sibling::h2 | preceding-sibling::*//h2)[last()]')
#=> <h2>Bar</h2>

Это касается либо прямых предыдущих братьев, либо детей предыдущих братьев и сестер. Независимо от того, какой из них совпадает, предикат last() гарантирует, что вы получите самое близкое предыдущее соответствие.

Другие советы

Подход, который я бы выбрал (если я понимаю вашу проблему), заключается в использовании XPath или CSS для поиска вашего " start_here " элемент и родительский элемент, который вы хотите найти под. Затем рекурсивно обойдите дерево, начиная с родительского, и остановитесь, когда вы нажмете кнопку & Quot; start_here &; элемент, и удерживая на последнем элементе, который соответствует вашему стилю на этом пути.

Что-то вроде: 

parent = value.search("//body").first
div = value.search("//div[@id = 'X2']").first

find = FindPriorTo.new(div)

assert_equal('Foo', find.find_from(parent, 'h1').text)
assert_equal('Bar', find.find_from(parent, 'h2').text)

Где FindPriorTo - простой класс для обработки рекурсии: 

class FindPriorTo
  def initialize(stop_element)
    @stop_element = stop_element
  end

  def find_from(parent, style)
    @should_stop = nil
    @last_style  = nil

    recursive_search(parent, style)
  end

  def recursive_search(parent, style)
    parent.children.each do |ch|
      recursive_search(ch, style)
      return @last_style if @should_stop

      @should_stop = (ch == @stop_element)
      @last_style = ch if ch.name == style
    end

    @last_style    
  end

end

Если этот подход недостаточно масштабируемый, вы можете оптимизировать вещи, переписав recursive_search, чтобы не использовать рекурсию, а также передать оба стиля, которые вы ищете, и отслеживать последние найденные, так что вам не нужно обходить дерево дополнительное время.

Я бы также сказал, что попробуйте подключить Node к обезьяне, чтобы зацепить его при разборе документа, но похоже, что все это написано на C. Возможно, вам лучше использовать что-то другое, чем Nokogiri, у которого есть собственный Ruby SAX-парсер (может быть, REXML ), или, если скорость вас действительно беспокоит, сделайте поиск части в C / C ++ с использованием Xerces или подобного. Я не знаю, насколько хорошо они справятся с анализом HTML.

Может быть, это сделает это. Я не уверен насчет производительности, и могут ли быть случаи, о которых я не задумывался. 

def find(root, start, tag)
    ps, res = start, nil
    until res or (ps == root)
        ps  = ps.previous || ps.parent
        res = ps.css(tag).last
        res ||= ps.name == tag ? ps : nil
    end
    res || "Not found!"
end

parent_element_h1 =  find(parent, start_here, 'h1')

Это мое собственное решение (спасибо моему коллеге за помощь в этом!), использующее рекурсивный метод для анализа всех элементов, независимо от того, является ли он родным или дочерним по отношению к другому. 

require 'rubygems'
require 'nokogiri'

value = Nokogiri::HTML.parse(<<-HTML_END)
  "<html>
    <body>
      <p id='para-1'>A</p>
      <div class='block' id='X1'>
        <h1>Foo</h1>
        <p id='para-2'>B</p>
      </div>
      <p id='para-3'>C</p>
      <h2>Bar</h2>
      <p id='para-4'>D</p>
      <p id='para-5'>E</p>
      <div class='block' id='X2'>
        <p id='para-6'>F</p>
      </div>
    </body>
  </html>"
HTML_END

parent = value.css('body').first

# start_here is given: A Nokogiri::XML::Element of the <div> with the id 'X2
@start_here = parent.at('div.block#X2')

# Search for parent elements of kind "_style" starting from _start_element
def search_for_parent_element(_start_element, _style)
  unless _start_element.nil?
    # have we already found what we're looking for?
    if _start_element.name == _style
      return _start_element
    end
    # _start_element is a div.block and not the _start_element itself
    if _start_element[:class] == "block" && _start_element[:id] != @start_here[:id]
      # begin recursion with last child inside div.block
      from_child = search_for_parent_element(_start_element.children.last, _style)
      if(from_child)
        return from_child
      end
    end
    # begin recursion with previous element
    from_child = search_for_parent_element(_start_element.previous, _style) 
    return from_child ? from_child : false
  else
    return false
  end
end

# this should be a Nokogiri::XML::Element of the nearest, previous h1.
# in this example it's the one with the value 'Foo'
puts parent_element_h1 = search_for_parent_element(@start_here,"h1")

# this should be a Nokogiri::XML::Element of the nearest, previous h2. 
# in this example it's the one with the value 'Bar'
puts parent_element_h2 = search_for_parent_element(@start_here,"h2")

Вы можете скопировать / вставить его, запустив, как в сценарии ruby.

Если вы не знаете взаимосвязи между элементами, вы можете искать их следующим образом (в любом месте документа): 


# html code
text = "insert your html here"
# get doc object
doc = Nokogiri::HTML(text)
# get elements with the specified tag
elements = doc.search("//your_tag")

Если, однако, вам нужно отправить форму, вы должны использовать mechanize: 


# create mech object
mech = WWW::Mechanize.new
# load site
mech.get("address")
# select a form, in this case, I select the first form. You can select the one you need 
# from the array
form = mech.page.forms.first
# you fill the fields like this: form.name_of_the_field
form.element_name  = value
form.other_element = other_value

Вы можете искать потомков Nokogiri HTML::Element с помощью селекторов CSS. Вы можете перемещаться по предкам с помощью метода .parent. 

parent_element_h1 = value.css("h1").first.parent
parent_element_h2 = value.css("h2").first.parent
Лицензировано под: CC-BY-SA с атрибуция
Не связан с StackOverflow
scroll top