解析段落元素的含量與引入nokogiri

我想知道解析的內容與引入nokogiri塊的正確方法：解析段落元素的含量與引入nokogiri

我有一些文件來分析，他們最初包含一個格式，其中每個主容器是<p>。奇怪的是，每一箇中的主要信息都被劃分爲<font>標籤。

有效的<p>內容的股票樣本包含以下，是一個典型的例子（有些有更多的內容，有的少了很多）：

<p> 
    <font size="5" face="Arial, Helvetica, sans-serif" color="#00CCAA" class=""> 
    <font color="#AAFF33" class=""> 
     October 10, 1990 - Maybe a Title 
    </font>- 
    <font size="4" class=""> 
     Some long text here.   
     <font color="#66CC00" class=""> 
     <a href="SourceTitle/date.pdf">[Blah Blah, October 27, 1982 p. 2</a> 
     ] 
     </font>. 
     More content. 
     <font color="#00FF33" class="">[Another Source, 1971, issue 01/4] 
     </font>. 
    </font> 
    <font size="5" face="Arial, Helvetica, sans-serif" color="#00CCAA" class=""> 
     <font color="#AAFF33" class=""><font size="4" color="#00CCAA" class=""> 
     Another fantastic article. 
     <a href="SourceTitle/Date.pdf">[Some Source, October 4, p.6]</a> 
     </font> 
    </font> 
    </font> 
</font> 
</p>

本質上的「字體大小」屬性是什麼套文章中的每個組件分開。要提取的要點是第一個<font size ="5"...（即文章日期和主標題，如果有標題）標記，然後是實際內容。

目前我所有的段落塊走出來：doc.xpath('//p').each do |node|

但是我不知道我是否應該再讓它通過引入nokogiri分析出它的內容，或者我應該只是通過正則表達式運行它。我希望有一個小例子「正確地」這樣做，我假設，在初始塊內使用嵌入式xpath發現，將元素拉出。我認爲有一種方法可以根據字體大小的分界拉出子組件，但我還沒有看到這個具體的例子。

來源

2011-10-22 ylluminate

你能不能給你想要得到的目標文件的例子嗎？ – WarHog

不幸的是，我不能提供一個實際的數據示例，因爲它是包含在內容中的私人信息。我已經在整個機構的上下文中提取了一些「行」信息供您查看：http://j.mp/qbpJnh – ylluminate

存在某種誤解。我的意思是你想要得到的文檔的例子 – WarHog

這能幫助你入門嗎？

>> doc.xpath('//p').each do |node| 
..  puts node.xpath("font[@size='5']/font").first.content.strip 
.. end #=> 0 
October 10, 1990 - Maybe a Title

構建您需要的其他地區類似的表述，就大功告成了:-)

來源

2011-10-22 09:24:30

完美的，謝謝你去除了我的大腦。：P – ylluminate

好的，真的很快，發射的對象是'Nokogiri :: XML :: Element'，但是在這種情況下，我得到了一個未定義的'content'方法。嗯，還沒有看到一個快速的答案。 – ylluminate

對不起，很難從這裏知道。玩IRB，檢查元素，使用其他自省方法（如'instance_methods'）等等。它可能只是一個小事情... –

解析段落元素的含量與引入nokogiri

回答

相關問題