html - Nokogiri y Xpath: encuentran todo el texto entre dos etiquetas

ruby

Question

No estoy seguro de si es una cuestión de sintaxis o diferencias en las versiones, pero parece que no puedo resolverlo. Quiero tomar datos que están dentro de un td (sin cierre) de la etiqueta h2 a la etiqueta h3 . Aquí es cómo se vería el HTML.

<td valign="top" width="350">
<br><h2>NameIWant</h2><br>
<br>Town<br>
PhoneNumber<br>
<a href="mailto:[email protected]" class="links">[email protected]</a>
<br>
<a href="http://websiteIwant.com" class="links">websiteIwant.com</a>
<br><br>
<br><img src="images/spacer.gif"/><br>
<h3><b>I want to stop before this!</b></h3>
Lorem Ipsum Yadda Yadda<br>
<img src="images/spacer.gif" border="0" width="20" height="11" alt=""/><br>
<td width="25">
<img src="images/spacer.gif" border="0" width="20" height="8" alt=""/>
<td valign="top" width="200"><img src="images/spacer.gif"/>
<br>
<br>
<table cellspacing="0" cellpadding="0" border="0"/>205"&gt;<tr><td>
<a href="http://dontneedthis.com">
</a></td></tr><br>
<table border="0" cellpadding="3" cellspacing="0" width="200">
...

El <td valign> no se cierra hasta la parte inferior de la página, lo que creo que podría ser el motivo por el que estoy teniendo problemas.

Mi código de Ruby se ve así:

require ''open-uri''
require ''nokogiri''
@doc = Nokogiri::XML(open("http://www.url.com"))
content = @doc.css(''//td[valign="top"] [width="350"]'')
name = content.xpath(''//h2'').text
puts name // Returns NameIwant
townNumberLinks = content.search(''//following::h2'')
puts content // Returns <h2> NameIWant </h2>

Según entiendo, la siguiente sintaxis debería "Seleccionar todo en el documento después de la etiqueta de cierre del nodo actual". Si trato de usar el preceding como:

townNumberLinks = content.search(''//preceding::h3'')
// I get: <h3><b>I want to stop before this!</b></h3>

Espero haber dejado en claro lo que estoy tratando de hacer. ¡Gracias!

Answer 1

Encuentre todos los elementos que preceden a la primera <h3> en la celda, luego de recuperar todos los hermanos precedentes que no tienen una etiqueta <h2> como hermano anterior. Reemplace //td por la expresión XPath para recuperar exactamente esta celda de la tabla.

//td/h3[1]/preceding-sibling::*[preceding-sibling::h2]

Answer 2

No es trivial. En el contexto de los nodos que seleccionó (el td ), para obtener todo entre dos elementos, debe realizar una intersección de estos dos conjuntos:

1. Conjunto A : Todos los nodos que preceden al primer h3 : //h3[1]/preceding::node()
2. Conjunto B : Todos los nodos que siguen a la primera h2 : //h2[1]/following::node()

Para realizar una intersección, puede usar el método Kaysian (después de Michael Kay , quien lo propuso). La fórmula básica es:

A[count(.|B) = count(B)]

Al aplicarlo a sus conjuntos, como se definió anteriormente, donde A = //h3[1]/preceding::node() , y B = //h2[1]/following::node() , tenemos:

//h3[1]/preceding::node()[ count( . | //h2[1]/following::node()) = count(//h2[1]/following::node()) ]

que seleccionará todos los elementos y nodos de texto comenzando con la primera <br> después de la etiqueta </h2> , en el nodo de texto en blanco después de la última <br> , justo antes de la próxima etiqueta <h3> .

Puede seleccionar fácilmente solo los nodos de texto entre h2 y h3 reemplazando el node() por text() en la expresión. Éste devolverá todos los nodos de texto (incluidos espacios en blanco y saltos de línea) entre los dos encabezados:

//h3[1]/preceding::text()[ count( . | //h2[1]/following::text()) = count(//h2[1]/following::text()) ]