如何從網頁中提取HTML主題標題？

Question

給定一個像「What popular startup advice is plain wrong?」這樣的頁面，我希望能夠提取右上方主題標題下的第一個主題，在本例中爲「常見誤解」。

我在Ruby中這樣做的最佳方式是什麼？是否與Nokogiri或正則表達式？據推測我需要做一些HTML解析？

Answer 1

首先，您幾乎從來沒有想過使用正則表達式來解析/提取/摺疊/旋轉/切割XML或HTML。可能會出錯的方式太多了。正則表達式適用於某些工作，但XML/HTML提取並不適合。

這就是說，這裏就是我想要用做引入nokogiri：

require 'nokogiri' 
require 'open-uri' 

doc = Nokogiri::HTML(open('http://www.quora.com/What-popular-startup-advice-is-plain-wrong')) 

topic = doc.at('span a.topic_name span').content 
puts topic 

運行輸出：

Common Misconceptions 

代碼正在兩個快捷方式，應始終工作：

1. 使用Ruby的OpenURI可以輕鬆訪問Internet資源。這是我的最簡單的平均應用程序。有更強大的工具，但沒有一個方便。
2. doc.at告訴Nokogiri遍歷文檔，並找到第一次出現的CSS訪問器'span a.topic_name span'，它應該在該頁面中作爲第一個條目保持一致。

請注意，Nokogiri支持搜索節點的一些變體：at與search。 at和%以及諸如css_at之類的內容找到第一個匹配項並返回Node，這是一個單獨的標籤或文本或註釋。 search，/，那些變體返回一個NodeSet，它就像一個節點數組。您必須使用某種Array訪問器來遍歷該列表或者提取您想要的單個節點。在上面的代碼中，我可以說doc.search(...).first得到我想要的節點。

Nokogiri還支持使用XPath訪問器，但對於大多數情況下我通常會使用CSS。它更簡單，更容易閱讀，但你的里程可能會有所不同。