Как найти и удалить строку, заключенную в HTML в Ruby?

Question

Как найти и удалить строку, заключенную в HTML в Ruby?

0

У меня довольно длинный текст, содержащий некоторые строки, которые находятся внутри тегов HTML (в основном h1 и h2). Мне нужно полностью удалить их, что означает, что мне нужен способ найти текст, который заключен в определенные теги HTML, а затем удалите их из исходного текста.

Я пытался использовать gsub но не мог понять, как создать регулярное выражение или что-то, что имеет смысл.

Stefan Schuchlenz 31 март 2014, в 18:13

Источник

7

Мы можем помочь вам, когда у вас есть пример ввода и соответствующий вывод тоже ..
Arup Rakshit 31 март 2014, в 15:39
1

Arup: спасибо за ваш ответ, но я думаю, что любой HTML хорош - если в нем есть заголовки, которые мы можем убрать.
Stefan Schuchlenz 31 март 2014, в 17:56

Теги:

html

string

regex

ruby

strip

2 ответа

0

Вы не можете использовать regex для разбора HTML (см. " Открытые теги соответствия RegEx, кроме тегов XHTML с автономными тегами "). Возможно, вы захотите посмотреть на XML-парсинг, например Nokogiri:

require 'nokogiri'

doc = Nokogiri::HTML(my_html)

h1s = doc.css('h1').map(&:text)
h2s = doc.css('h2').map(&:text)

Uri Agassi 31 март 2014, в 14:30

0

Спасибо Ури, я попробую это. Но дело в том - как я смогу устранить найденные h1s и h2s и сохранить остальную часть текста?
Stefan Schuchlenz 31 март 2014, в 17:57
0

Вы должны прочитать документацию nokogiri . Вы можете манипулировать разобранным HTML, удалять теги и т. Д.
Uri Agassi 31 март 2014, в 19:17

Ещё вопросы

Мы можем помочь вам, когда у вас есть пример ввода и соответствующий вывод тоже ..
Arup: спасибо за ваш ответ, но я думаю, что любой HTML хорош - если в нем есть заголовки, которые мы можем убрать.
Спасибо Ури, я попробую это. Но дело в том - как я смогу устранить найденные h1s и h2s и сохранить остальную часть текста?
Вы должны прочитать документацию nokogiri . Вы можете манипулировать разобранным HTML, удалять теги и т. Д.

the Tin Man · Accepted Answer · 2014-03-31T17-29-00.000Z

Найти и удалить узлы легко:

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
<body>
<h1>foo</h1>
<h2>bar</h2>
<p>This is some text</p>
</body>
</html>
EOT

doc.search('h1, h2').remove
puts doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> 
# >> 
# >> <p>This is some text</p>
# >> </body></html>

Я использую search с помощью селектора h1, h2 CSS h1, h2 который найдет все узлы <h1> и <h2> и вернет их как NodeSet. NodeSet подобен массиву; remove просто шаги, которые NodeSet и удаляет все его элементы.

Если вы хотите заглянуть внутрь узлов в свой текст, немного расширьте код:

require 'nokogiri'

doc = Nokogiri::HTML(<<EOT)
<html>
<body>
<h1>foo</h1>
<h2>bar</h2>
<h1>baz</h1>
<p>This is some text</p>
</body>
</html>
EOT

doc.search('h1, h2').select{ |n| n.text[/\b(?:foo|bar)\b/] }.map(&:remove)
puts doc.to_html
# >> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
# >> <html><body>
# >> 
# >> 
# >> <h1>baz</h1>
# >> <p>This is some text</p>
# >> </body></html>

text возвращает текстовое содержимое узла. /\b(?:foo|bar)\b/ выглядит в этом тексте для слов "foo" или "bar". Это приводит к массиву, поэтому я не могу использовать метод remove NodeSet. Вместо этого я могу передать его на map, которая будет перебирать каждый узел, который был возвращен select, и отправить Nokogiri :: Node.select. Это немного более запутанно, но попадает туда.

Селектора XPath могли заглянуть внутрь текста узла, чтобы заменить часть кода Ruby, но они были бы довольно уродливыми. Я предпочитаю держать его простым.