Regex 如何用Ruby解析元素后的HTML文本

如何用Ruby解析和分组示例HTML

HTML文本：

标题一
不同的内容在这里测试

不同的内容在这里测试

标题二
不同的内容在这里测试

标题三
不同的内容在这里测试

不同的内容在这里测试

不同的内容在这里测试

元素不是嵌套的，我想按标题对它们进行分组。当我找到一个

时，我想提取它的文本和它后面的所有内容，直到遇到下一个

。最后一个标题没有另一个h2作为分隔符

以下是示例输出：

- Heading one
"<p>different content in here <a>test</a> <b>test</b></p>
<p>different content in here <a>test</a> <b>test</b></p>"

- Heading 2
"<p>different content in here <a>test</a> <b>test</b></p>"

-标题一
“此处测试的内容不同

这里的不同内容测试测试
“
-标题2
“此处的不同内容测试测试”

您无需使用正则表达式解析HTML，即可快速完成此操作

您将能够获取

h2

元素，然后提取其中的内容

一些例子在

这应该行得通，
第1组包含标题文本， 第2组包含主体

包括空格修剪

/\s*（[\s\s]*？）\s*\s*（[\s\s]*？）（？=\s*\s*$）/

可读正则表达式

 <h2 \s* >
 \s*     
 ( [\S\s]*? )                  # (1) Heading
 \s* 
 </h2 \s* >
 \s*   
 ( [\S\s]*? )                  # (2) Body
 (?= \s* <h2 \s* > | \s* $ )

\s*
（[\S\S]*？）#（1）标题
\s*
\s*
（[\S\S]*？）#（2）正文
（？=\s*\s*$）

您试图做的事情是非常不鼓励的，而“”有助于解释原因。只有在您拥有代码生成的最简单的情况下，才应该使用模式。如果您不拥有生成器，那么HTML中的任何更改都可能破坏您的代码，通常是无法修复的，尤其是在深夜，在一次严重停机期间，您的老板会督促您立即运行它

使用Nokogiri，这将使您以一种更稳健和推荐的方式进入球场。此示例仅收集

h2

和后面的

p

节点。弄清楚如何显示它们只是一个练习

require 'nokogiri'

html = <<EOT
<h2>heading 1</h2>
<p>content 1a<b>test</b></p>
<p>content 1b</p>

<h2>heading 2</h2>
<p>content 2a</p>
EOT

doc = Nokogiri::HTML.parse(html)

output = doc.search('h2').map { |h|

  next_node = h.next_sibling
  break unless next_node

  paragraphs = []

  loop do

    case 
    when next_node.text? && next_node.blank?
    when next_node.name == 'p'
      paragraphs << next_node 
    else
      break
    end

    next_node = next_node.next_sibling
    break unless next_node

  end

  [h, paragraphs]
}

代码还对HTML的格式做了一些假设，但如果格式发生变化，代码不会抛出垃圾。它采用如下格式：

<h2>
<p>
...

这是必要的，因为HTML不需要格式化，但当它存在时，插入的“文本”节点只包含空格，这会导致我们预期的“漂亮HTML”缩进。解析器和浏览器不关心它是否存在，除非是预格式化文本，只有人类关心。实际上，最好不要使用它们，因为它们会使文件膨胀并减慢文件的传输速度。但人们对这种方式很挑剔。实际上，代码中的HTML示例看起来更像：

<h2>heading 1</h2>\n<p>content 1a<b>test</b></p>\n<p>content 1b</p>\n\n<h2>heading 2</h2>\n<p>content 2a</p>\n

标题1\ncontent 1atest
\ncontent 1b
\n\n标题2\ncontent 2a
\n

---

而

when

语句忽略了那些“

\n

”节点。

您链接的帖子实际上并没有解释任何内容。在我的阅读中，它有一些非常好的观点，说明了为什么正则表达式失败，何时可以使用它，以及为什么解析器更健壮。也许链接应该指向问题本身，这样我就可以调整它，否则我会发现它是一个有用的页面，有很好的讨论。FWIW，Nokogiri不是一个标准；它只是一个图书馆。这可能是一个非常受欢迎的库，但受欢迎并不能使某个东西成为“标准”；它只是使它变得流行。除了你的评论，我在页面上的任何地方都看不到“标准”这个词。Nokogiri是Ruby中最流行（事实上）的解析器，也是OP使用的标记。我不确定这条评论是关于什么的。你在作品下面那次骇人听闻的（现已删除）对话中的一条评论中做出了这一断言。

when next_node.text? && next_node.blank?

<h2>heading 1</h2>\n<p>content 1a<b>test</b></p>\n<p>content 1b</p>\n\n<h2>heading 2</h2>\n<p>content 2a</p>\n