如何从网页中提取HTML主题标题？

Question

给定一个像“What popular startup advice is plain wrong?”这样的页面，我希望能够提取右上方主题标题下的第一个主题，在本例中为“常见误解”。

我在Ruby中这样做的最佳方式是什么？是否与Nokogiri或正则表达式？据推测我需要做一些HTML解析？

Answer 1

首先，您几乎从来没有想过使用正则表达式来解析/提取/折叠/旋转/切割XML或HTML。可能会出错的方式太多了。正则表达式适用于某些工作，但XML/HTML提取并不适合。

这就是说，这里就是我想要用做引入nokogiri：

require 'nokogiri' 
require 'open-uri' 

doc = Nokogiri::HTML(open('http://www.quora.com/What-popular-startup-advice-is-plain-wrong')) 

topic = doc.at('span a.topic_name span').content 
puts topic 

运行输出：

Common Misconceptions 

代码正在两个快捷方式，应始终工作：

1. 使用Ruby的OpenURI可以轻松访问Internet资源。这是我的最简单的平均应用程序。有更强大的工具，但没有一个方便。
2. doc.at告诉Nokogiri遍历文档，并找到第一次出现的CSS访问器'span a.topic_name span'，它应该在该页面中作为第一个条目保持一致。

请注意，Nokogiri支持搜索节点的一些变体：at与search。 at和%以及诸如css_at之类的内容找到第一个匹配项并返回Node，这是一个单独的标签或文本或注释。 search，/，那些变体返回一个NodeSet，它就像一个节点数组。您必须使用某种Array访问器来遍历该列表或者提取您想要的单个节点。在上面的代码中，我可以说doc.search(...).first得到我想要的节点。

Nokogiri还支持使用XPath访问器，但对于大多数情况下我通常会使用CSS。它更简单，更容易阅读，但你的里程可能会有所不同。