Ruby的XML格式数据解析库Nokogiri的使用进阶
一、基础语法
1.直接以字符串形式获取nokogiri对象:
html_doc=Nokogiri::HTML("<html><body><h1>Mr.BelvedereFanClub</h1></body></html>") xml_doc=Nokogiri::XML("<root><aliens><alien><name>Alf</name></alien></aliens></root>")
这里的html_doc和xml_doc就是nokogiri文件
2.也可以通过文件句柄获取nokogiri对象:
f=File.open("blossom.xml") doc=Nokogiri::XML(f) f.close
3.还可以直接从网站获取:
require'open-uri' doc=Nokogiri::HTML(open("http://www.xxx.com/"))
二、XML文件解析实例
从XML/HTML文件里抓取字段的常用方法:
现在有一个名为shows.xml的文件,内容如下:
<root> <sitcoms> <sitcom> <name>MarriedwithChildren</name> <characters> <character>AlBundy</character> <character>BudBundy</character> <character>MarcyDarcy</character> </characters> </sitcom> <sitcom> <name>PerfectStrangers</name> <characters> <character>LarryAppleton</character> <character>BalkiBartokomous</character> </characters> </sitcom> </sitcoms> <dramas> <drama> <name>TheA-Team</name> <characters> <character>John"Hannibal"Smith</character> <character>Templeton"Face"Peck</character> <character>"B.A."Baracus</character> <character>"HowlingMad"Murdock</character> </characters> </drama> </dramas> </root>
如果想把所有character标签的内容查找出来,可以这样处理:
@doc=Nokogiri::XML(File.open("shows.xml")) @doc.xpath("//character")
xpath和css方法,返回的是一个结点列表,类似于一个数组,它的内容就是从文件中查找出来的符合匹配规则的结点.
把dramas结点里的character结点列表查出来:
@doc.xpath("//dramas//character")
更有可读性的css方法:
characters=@doc.css("sitcomsname") #=>["<name>MarriedwithChildren</name>","<name>PerfectStrangers</name>"]
当已知查询结果唯一时,如果想直接返回这个结果,而不是列表,可以直接使用at_xpath或at_css:
@doc.css("dramasname").first#=>"<name>TheA-Team</name>" @doc.at_css("dramasname")#=>"<name>TheA-Team</name>"
三、Namespaces
对于有多个标签的情况,命名空间就起到非常大的作用了.
例如有这样一个parts.xml文件:
<parts> <!--Alice'sAutoPartsStore--> <inventoryxmlns="http://alicesautoparts.com/"> <tire>allweather</tire> <tire>studded</tire> <tire>extrawide</tire> </inventory> <!--Bob'sBikeShop--> <inventoryxmlns="http://bobsbikes.com/"> <tire>street</tire> <tire>mountain</tire> </inventory> </parts>
可以使用唯一的URL作为namespaces,以区分不同的tires标签:
@doc=Nokogiri::XML(File.read("parts.xml")) car_tires=@doc.xpath('//car:tire','car'=>'http://alicesautoparts.com/') bike_tires=@doc.xpath('//bike:tire','bike'=>'http://bobsbikes.com/')
为了让namespace的使用更方便,nokogiri会自动绑定在根结点上找到的合适的任何namespace.
nokogiri会自动关联提供的URL,这个惯例可以减少代码量.
例如有这样一个atom.xml文件:
<feedxmlns="http://www.w3.org/2005/Atom"> <title>ExampleFeed</title> <linkhref="http://example.org/"/> <updated>2003-12-13T18:30:02Z</updated> <author> <name>JohnDoe</name> </author> <id>urn:uuid:60a76c80-d399-11d9-b93C-0003939e0af6</id> <entry> <title>Atom-PoweredRobotsRunAmok</title> <linkhref="http://example.org/2003/12/13/atom03"/> <id>urn:uuid:1225c695-cfb8-4ebb-aaaa-80da344efa6a</id> <updated>2003-12-13T18:30:02Z</updated> <summary>Sometext.</summary> </entry> </feed>
遵循上面提到的惯例,xmlns已被自动绑定,不用再手动为xmlns赋值:
@doc.xpath('//xmlns:title') #=>["<title>ExampleFeed</title>","<title>Atom-PoweredRobotsRunAmok</title>"]
同样情况,css的用法:
@doc.css('xmlns|title')
并且在使用css方式时,如果namespaces名字是xmlns,那么连这个词本身都可以忽略掉:
@doc.css('title')