如何使用Nokogiri使用CSS選擇器逐行解析？

Question

我有一張我想分析的HTML表格。我想要移動每個<TR>並提取href。 的HTML看起來像這樣：

table id="classified_table" class="vs-classified-table widget-off top" cellspacing="0" cellpadding="0" border="0"> 
    <tbody> 
    <tr> 
    <td id="classified_cell"> 
    <table class="vs-classified-table widget-off" cellspacing="0" cellpadding="0" border="0"> 
    <tbody> 
    <tr id="vs_classified_73634384" class="classified row1 kiwii-clad-row kiwii-clad-featured"> 
    <tr id="vs_classified_74530668" class="classified row2 kiwii-clad-row kiwii-clad-featured"> 
    <tr id="vs_classified_62296263" class="classified row3 kiwii-clad-row kiwii-clad-featured"> 
    <tr id="vs_classified_62468547" class="classified row4 kiwii-clad-row kiwii-clad-featured"> 
    <tr id="vs_classified_47122034" class="classified row5 kiwii-clad-row kiwii-clad-featured"> 
    <tr id="vs_classified_78210646" class="classified row6 kiwii-clad-row"> 
    <tr id="vs_classified_78207083" class="classified row7 kiwii-clad-row"> 
    <tr id="vs_classified_69104369" class="classified row8 kiwii-clad-row"> 
    <tr id="vs_classified_78113204" class="classified row9 kiwii-clad-row"> 
    <tr id="vs_classified_52761813" class="classified row10 kiwii-clad-row"> 
    <tr id="vs_classified_78121746" class="classified row11 kiwii-clad-row"> 
    <tr id="vs_classified_76515548" class="classified row12 kiwii-clad-row"> 
    <tr id="vs_advert_middle" class="vs-advertisement advertisment-middle-2 vs-adsense-middle-BR-" style="border:none"> 
    <tr id="vs_classified_34048811" class="classified row13 kiwii-clad-row"> 

我的Ruby代碼看起來是這樣的：

require 'rubygems' 
require 'nokogiri' 
require 'open-uri' 

page = Nokogiri::HTML(open('http://servico-informatica.vivanuncios.com/computador+rio-de-janeiro-capital/')) 
rows = page.css('tr#vs_classified_73634384.classified td.summary div a#vs-detail-link-1.kiwii-clear-none') 
puts rows.text 
#this works 

rows [1..10].each do |row| 
    puts "this isn't working :(" 

end 

第一個成功地打印打印第一<TR>的文本，但puts的each循環內不工作。

我想刮的頁面是：http://servico-informatica.vivanuncios.com/computador+rio-de-janeiro-capital/

Answer 1

我不知道你希望這個做什麼：

rows [1..10].each do |row| 
    puts "this isn't working :(" 
end 

但我敢肯定它不會做你期望的事情。這實際上解釋爲這樣：

rows[1..10].each { ... } 

而且由於rows（這是一個Nokogiri::XML::NodeSet）只有一個入口，試圖extract a subset開始1給你一個空NodeSet;這意味着你實際上只是這麼說：

some_empty_node_set.each { ... } 

並且沒有任何用處。但是，如果你看一下在rows中的第一項，你會發現href你正在尋找：

rows[0]['href'] 
# "http://servico-informatica.vivanuncios.com/..." 

你也可以看看依口味rows.attr('href')或rows.first['href']，哪些適合您的需要。

Answer 2

您只收到一個結果，因爲您的css查詢使用的是#這意味着它正在頁面上尋找一個唯一元素（Spec）。

因此，您需要修改查詢以查找基於css類的href。

tr.classified td.summary a.classified-link 

更新

以上的CSS路徑將抓住所有的鏈接，那麼你只需要通過陣列走，做你需要與href和文本內容。

require 'rubygems' 
require 'nokogiri' 
require 'open-uri' 

page = Nokogiri::HTML(open('http://servico-informatica.vivanuncios.com/computador+rio-de-janeiro-capital/')) 
links = page.css("tr.classified td.summary a.classified-link") 

links.map do |link| 
    puts link['href'] 
    puts link.content 
end