我想用 Nokogiri 解析 HTML 页面。页面的一部分有一个表，它没有使用任何特定的 ID。是否可以提取如下内容:

Today,3,455,34
Today,1,1300,3664
Today,10,100000,3444,
Yesterday,3454,5656,3
Yesterday,3545,1000,10
Yesterday,3411,36223,15

来自这个 HTML:

<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>

最佳答案

作为快速而肮脏的第一步，我会这样做:

html = <<EOT
<div id="__DailyStat__">
  <table>
    <tr class="blh"><th colspan="3">Today</th><th class="r" colspan="3">Yesterday</th></tr>
    <tr class="blh"><th>Qnty</th><th>Size</th><th>Length</th><th class="r">Length</th><th class="r">Size</th><th class="r">Qnty</th></tr>
    <tr class="blr">
      <td>3</td>
      <td>455</td>
      <td>34</td>
      <td class="r">3454</td>
      <td class="r">5656</td>
      <td class="r">3</td>
    </tr>

    <tr class="bla">
      <td>1</td>
      <td>1300</td>
      <td>3664</td>
      <td class="r">3545</td>
      <td class="r">1000</td>
      <td class="r">10</td>
    </tr>

    <tr class="blr">
      <td>10</td>
      <td>100000</td>
      <td>3444</td>
      <td class="r">3411</td>
      <td class="r">36223</td>
      <td class="r">15</td>
    </tr>
  </table>
</div>
EOT

#    Today              Yesterday
#    Qnty Size   Length Length Size  Qnty
#    3    455    34     3454   5656  3
#    1    1300   3664   3545   1000  10
#    10   100000 3444   3411   36223 15


require 'nokogiri'

doc = Nokogiri::HTML(html)

使用 CSS 找到表格的开头，并定义一些地方来保存我们正在捕获的数据:

table = doc.at('div#__DailyStat__ table')

today_data     = []
yesterday_data = []

遍历表中的行，拒绝标题:

table.search('tr').each do |tr|

  next if (tr['class'] == 'blh')

初始化数组以从每一行中捕获相关数据，有选择地将数据推送到适当的数组中:

  today_td_data     = [ 'Today'     ]
  yesterday_td_data = [ 'Yesterday' ]

  tr.search('td').each do |td|
    if (td['class'] == 'r')
      yesterday_td_data << td.text.to_i
    else
      today_td_data << td.text.to_i
    end
  end

  today_data     << today_td_data
  yesterday_data << yesterday_td_data

end

并输出数据:

puts today_data.map{ |a| a.join(',') }
puts yesterday_data.map{ |a| a.join(',') }

> Today,3,455,34
> Today,1,1300,3664
> Today,10,100000,3444
> Yesterday,3454,5656,3
> Yesterday,3545,1000,10
> Yesterday,3411,36223,15

只是为了帮助您想象发生了什么，在“tr”循环的导出处，today_data 和 yesterday_data 数组是数组的数组，如下所示:

[["Today", 3, 455, 34], ["Today", 1, 1300, 3664], ["Today", 10, 100000, 3444]]

或者，我可以抓取“tr”的内容，然后使用 scan 抓取数字并切片，而不是遍历“td”标签并感知标签的类别结果数组分为“今天”和“昨天”数组:

  tr_data = tr.text.scan(/\d+/).map{ |i| i.to_i }

  today_td_data     = [ 'Today',     *tr_data[0, 3] ]
  yesterday_td_data = [ 'Yesterday', *tr_data[3, 3] ]

在现实世界的开发中，比如在工作中，我会使用它而不是我最初写的东西，因为它很简洁。

注意我没有使用 XPath。在 Nokogiri 中使用 XPath 并完成此操作非常可行，但为简单起见，我更喜欢 CSS 访问器。 XPath 将允许访问单独的“td”标记内容，但它也开始看起来像行噪声，这是我们在编写代码时要避免的事情，因为它会影响维护。我也可以使用 CSS 深入到正确的“td”标签，如 'tr td.r'，但我不认为它会改进代码，它只是一种替代方式这样做。

关于ruby - 如何使用 Nokogiri 解析纯 HTML 表格？，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/6237697/