如何使用Nokogiri在两个HTML注释之间抓取HTML？

我有一些HTML页面，其中要提取的内容用下面的HTML注释标记。

 .....  
some text
 
Some more elements
  ...  

我正在使用Nokogiri并尝试在和 comments之间提取HTML。

我想提取这两个HTML注释之间的完整元素：

 
some text
 
Some more elements 

我可以使用这个字符回调获得纯文本版本：

 class TextExtractor < Nokogiri::XML::SAX::Document def initialize @interesting = false @text = "" @html = "" end def comment(string) case string.strip # strip leading and trailing whitespaces when /^begin content/ # match starting comment @interesting = true when /^end content/ @interesting = false # match closing comment end def characters(string) @text << string if @interesting end end 

我使用@text获得纯文本版本，但我需要存储在@html的完整HTML。

Answer 1

在两个节点之间提取内容不是我们要做的正常事情; 通常我们想要特定节点内的内容。 注释是节点，它们只是特殊类型的节点。

 require 'nokogiri' doc = Nokogiri::HTML(<  
some text
 
Some more elements
   EOT 

通过查找包含指定文本的注释，可以找到起始节点：

 start_comment = doc.at("//comment()[contains(.,'begin content')]") # => # 

一旦发现，那么需要一个存储当前节点的循环，然后查找下一个兄弟，直到找到另一个注释：

 content = Nokogiri::XML::NodeSet.new(doc) contained_node = start_comment.next_sibling loop do break if contained_node.comment? content << contained_node contained_node = contained_node.next_sibling end content.to_html # => "\n 
some text
\n 
Some more elements
\n"