所以我使用 Cheerio，一个类似于 Node 服务器端 jQuery 的库，它允许您解析 html 文本并遍历它，就像使用 jQuery 一样。我需要获取html正文的纯文本，但不仅如此，我还需要获取相应的元素和数字。 IE：如果在第三段元素中找到纯文本，我会得到类似的内容：
{
text: <element plaintext>,
element: "p-3"
}
我目前有以下函数尝试执行此操作：
var plaintext_elements = traverse_tree($('body'));
function traverse_tree(root, found_elements = {}, return_array = []) {
if (root.children().length) {
//root has children, call traverse_tree on that subtree
traverse_tree(root.children().first(), found_elements, return_array);
}
root.nextAll().each(function(i, elem) {
if ($(elem).children().length) {
//if the element has children call traverse_tree on the element's first child
traverse_tree($(elem).children().first(), found_elements, return_array)
}
else {
if (!found_elements[$(elem)[0].name]) {
found_elements[$(elem)[0].name] = 1;
}
else {
found_elements[$(elem)[0].name]++
}
if ($(elem).text() && $(elem).text != '') {
return_array.push({
text: $(elem).text(),
element: $(elem)[0].name + '-' + found_elements[$(elem)[0].name]
})
}
}
})
if (root[0].name == 'body') {
return return_array;
}
}
我的方向正确吗？我应该尝试其他事情吗？对此的任何帮助将不胜感激。同样，这不是 jQuery，而是服务器端的 Cheerio。 （但是它们非常相似）
我认为如果你使用
，很多遍历都是不需要的
function textElements($){
const found = {}
return $('body *').map(function(el){
if ( $(this).children().length || $(this).text() === '' ) return
found[this.name] = found[this.name] ? 1 + found[this.name] : 1
return {
text: $(this).text(),
element: `${this.name}-${found[this.name]}`,
}
}).get()
}
textElements(cheerio.load(html)
const cheerio = require("cheerio"); // 1.0.0-rc.12
const html = `<!DOCTYPE html>
<html><body>
<div>
<p>
foo
<b>bar</b>
</p>
<p>
baz
<b>quux</b>
garply
</p>
corge
</div>
</body>
</html>`;
const $ = cheerio.load(html);
const indices = {};
const els = [...$("*")]
.flatMap(e =>
[...$(e).contents()].filter(
e => e.type === "text" && $(e).text().trim()
)
)
.map(e => {
const text = $(e).text().trim();
const {name: element} = $(e).parent()[0];
indices[element] = indices[element] || 0;
return {text, element, nth: indices[element]++};
});
console.log(els);
输出：
[
{ text: 'corge', element: 'div', nth: 0 },
{ text: 'foo', element: 'p', nth: 0 },
{ text: 'bar', element: 'b', nth: 0 },
{ text: 'baz', element: 'p', nth: 1 },
{ text: 'garply', element: 'p', nth: 2 },
{ text: 'quux', element: 'b', nth: 1 }
]
这使用
.contents().parent()
可以访问与每个文本节点对应的标签。一个对象用于跟踪每个标签的索引，这可能有点hacky，但我不完全确定该部分需求的预期输出是什么。