使用cheerio nodejs提取基于regex模式的文本。

Question

我正试图用node.js构建一个scraper，它将允许我从大量的域名中提取新闻标题（它们都是不同的，所以我必须在我的方法中尽可能的通用）。目前，我在python中已经有了一个有效的实现，它利用Beautiful soup和regex允许我定义一组关键字，并返回包含这些关键字的标题。下面是一段相关的python代码。

for items in soup(text=re.compile(r'\b(?:%s)\b' % '|'.join(keywords)))

为了说明预期的输出，让我们假设有一个包含新闻文章的域（Bellow是一个包含标题的html片段）。

<a class="gs-c-promo-heading gs-o-faux-block-link__overlay-link gel-pica-bold nw-o-link-split__anchor" href="/news/uk-52773032"><h3 class="gs-c-promo-heading__title gel-pica-bold nw-o-link-split__text">Time to end Clap for Carers, says founder</h3></a>

给定一个关键字的预期输出 时间 将是一个带有标题的字符串 是时候结束为照顾者鼓掌了

我的问题是：是否可以用cheerio做类似的事情？要在nodejs中实现同样的结果，最好的方法是什么？

EDIT：现在我可以用这个方法了。在匹配标题的基础上，我还想提取帖子的URLs

function match_headlines($) {

      const keywords = ['lockdown', 'quarantine'];

      new RegExp('\\b[A-Z].*?' + "(" + test_keywords.join('|') + ")" + 
                 '.*\\b', "g");

      let matches = $('a').map((i, a) => {

          let links = $(a).attr('href');
          let match = $(a).text().match(regexPattern);

          if (match !== null) {

             let posts = {

                 headline: match['input'],
                 post_url: links
             }

             return posts

          }

     })

     return matches.filter((x) => x !== null)

}

Answer 1

也许像这样。

let re = new Regexp('\\b' + keywords.join('|') + '\\b')
let texts = $('a h3').map((i, a) => $(a).text())
let headlines = texts.filter(text => text.match(re))