我正在使用Nokogiri解析网页,并想解析出图像URL。这是我的设置:
require 'nokogiri'
require 'open-uri'
doc = Nokogiri::HTML(open('https://themeforest.net/search?sort=sales'))
目标网站包含以下代码:
<div class="_2_3rp " style="padding-top:50.847457627118644%">
<div style="">
<img class="_1xvs1" src="https://themeforest.img.customer.envatousercontent.com/files/274559780/screenshots/00-Preview.jpg?auto=compress%2Cformat&fit=crop&crop=top&w=590&h=300&s=37354d884fd0f3b574238e013b4ea423"
title="Avada | Responsive Multi-Purpose Theme"
alt="Avada | Responsive Multi-Purpose Theme" style="left: 0%;">
</div>
</div>
但是,当我跑步时:
puts doc.search("//div[@class = '_2_3rp ']")
我得到以下内容:
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
<div class="_2_3rp " style="padding-top:50.847457627118644%"><div style="height:100%" class="lazyload-placeholder"></div></div>
.....
=> nil
为什么我没有得到img
类,却得到了lazyload-placeholder
?我有什么办法可以克服这个问题,并摆脱图像占位符?
这是我想出的最少代码,它是测试您的断言所必需的:
require 'nokogiri'
doc = Nokogiri::HTML(<<EOT)
<div class="12345">
<div>
<img class="67890" src="https://foo.bar">
</div>
</div>
EOT
doc.search('//div[@class=12345]').map(&:to_html)
# => ["<div class=\"12345\">\n" +
# " <div>\n" +
# " <img class=\"67890\" src=\"https://foo.bar\">\n" +
# " </div>\n" +
# "</div>"]
# "</div>"]
看起来好像有img
标签。
您正在使用Nokogiri::XML
进行解析。不会,因为发生严格的解析并且使用HTML(严格的解析),如果HTML格式错误,则可能会出现问题。
看起来此页面使用JavaScript加载图像,因此Nokogiri无法对其进行解析。
您可以为此使用水豚with driver。