如何使用Ruby解析HTML文件标题

Question

我有一个要在Ruby中解析的HTML文件。 HTML文件非常简单，仅包含标题，链接和段落。我正在使用Nokogiri进行解析。

我正在处理的HTML文件的示例是：

<h1><a id="Dog_0"></a>Dog</h1>
<h2><a id="Washing_dogs_3"></a>Washing Dogs</h2>
<h3>Use soap</h3>
<h2><a id="Walking_dogs_1"></a>Walking Dogs</h2>

我需要将h1标题作为父项，将h2标题作为其下的h1标题的子项，将h3标题视为其下的h2标题的子项，等等。>

我想将此信息存储在哈希数组中，这样

[ { 
   h1: "Dog",
 link: "Dog_0",  
},{
   h1: "Dog",
   h2: "Washing Dogs",
   link: "Dog_0#Washing_dogs_3"
},{
   h1: "Dog",
   h2: "Washing Dogs",
   h3: "Use Soap",
   link: "Dog_0#Washing_dogs_3"
},{
   h1: "Dog",
   h2: "Walking Dogs"
   link: "Dog_0#Walking_dogs_1"
}]
由于没有节点嵌套，因此我认为我无法使用任何有用的方法来找到子代。到目前为止，我有：

array_of_records = []; #Store the records in an array
desired_headings = ['h1','h2','h3','h4','p'] # headings used to split html into records

Dir.glob('*.html') { |html_file|


  nokogiri_object = File.open(html_file) { |f| Nokogiri::HTML(f, nil, 'UTF-8') }

  nokogiri_object.traverse { |node|
   next unless desired_headings.include?(node.name)
   record = {}
   record[node.name.to_sym] = node.text.gsub(/[\r\n]/,'').split.join(" ")
   link = node.css('a')[0]

   record[:link] = link['id'] if !link.nil?

   array_of_records << record
  }
此代码设法捕获我正在解析的标题并将其内容存储为散列为

 {heading: "content"} 
但未捕获我需要捕获的类似父项的信息。 

我有一个要在Ruby中解析的HTML文件。 HTML文件非常简单，仅包含标题，链接和段落。我正在使用Nokogiri进行解析。我是HTML文件的示例...

Answer 1

traverse是个好主意。您想跟踪最新的h1，h2，h3等：...

Answer 2

因此，我想出了一个最有效的解决方案，除了它不按我的意愿将“记录”存储在我的记录数组中。我的解决方案是