如何在创建`Nokogiri :: XML`或`Nokogiri :: HTML`对象时避免创建非重要的空白文本节点

问题描述 投票：9回答：3

在解析缩进的XML时，从闭合和开始标记之间的空白区域创建非重要的空白文本节点。例如，从以下XML：

<note>
  <to>Tove</to>
  <from>Jani</from>
  <heading>Reminder</heading>
  <body>Don't forget me this weekend!</body>
</note>

其字符串表示如下，

 "<note>\n  <to>Tove</to>\n  <from>Jani</from>\n  <heading>Reminder</heading>\n  <body>Don't forget me this weekend!</body>\n</note>\n"

创建以下Document：

#(Document:0x3fc07e4540d8 {
  name = "document",
  children = [
    #(Element:0x3fc07ec8629c {
      name = "note",
      children = [
        #(Text "\n  "),
        #(Element:0x3fc07ec8089c {
          name = "to",
          children = [ #(Text "Tove")]
          }),
        #(Text "\n  "),
        #(Element:0x3fc07e8d8064 {
          name = "from",
          children = [ #(Text "Jani")]
          }),
        #(Text "\n  "),
        #(Element:0x3fc07e8d588c {
          name = "heading",
          children = [ #(Text "Reminder")]
          }),
        #(Text "\n  "),
        #(Element:0x3fc07e8cf590 {
          name = "body",
          children = [ #(Text "Don't forget me this weekend!")]
          }),
        #(Text "\n")]
      })]
  })

这里有很多Nokogiri::XML::Text类型的空白节点。

我想计算Nokogiri XML children中每个节点的Document，并访问第一个或最后一个孩子，不包括非重要的空格。我希望不解析它们，或者区分那些和重要的文本节点，例如<to>元素中的那些节点，如"Tove"。这是我正在寻找的rspec：

require 'nokogiri'
require_relative 'spec_helper'

xml_text = <<XML
<note>
  <to>Tove</to>
  <from>Jani</from>
  <heading>Reminder</heading>
  <body>Don't forget me this weekend!</body>
</note>
XML

xml = Nokogiri::XML(xml_text)

def significant_nodes(node)
  return 0
end

describe "Stackoverflow Question" do
  it "should return the number of significant nodes in nokogiri." do
    expect(significant_nodes(xml.css('note'))).to eq 4
  end
end

我想知道如何创建significant_nodes函数。

如果我将XML更改为：

<note>
  <to>Tove</to>
  <from>Jani</from>
  <heading>Reminder</heading>
  <body>Don't forget me this weekend!</body>
  <footer></footer>
</note>

然后，当我创建Document时，我仍然希望代表页脚;使用config.noblanks不是一种选择。

xml-parsing html-parsing nokogiri
3个回答
14
投票

您可以使用NOBLANKS option解析XML字符串，请考虑以下示例：

require 'nokogiri'

string = "<foo>\n  <bar>bar</bar>\n</foo>"
puts string
# <foo>
#   <bar>bar</bar>
# </foo>

document_with_blanks = Nokogiri::XML.parse(s)

document_without_blanks = Nokogiri::XML.parse(s) do |config|
  config.noblanks
end

document_with_blanks.root.children.each { |child| p child }
#<Nokogiri::XML::Text:0x3ffa4e153dac "\n  ">
#<Nokogiri::XML::Element:0x3fdce3f78488 name="bar" children=[#<Nokogiri::XML::Text:0x3fdce3f781f4 "bar">]>
#<Nokogiri::XML::Text:0x3ffa4e15335c "\n">

document_without_blanks.root.children.each { |child| p child }
#<Nokogiri::XML::Element:0x3f81bef42034 name="bar" children=[#<Nokogiri::XML::Text:0x3f81bef43ee8 "bar">]>

NOBLANKS不应该删除空节点：

doc = Nokogiri.XML('<foo><bar></bar></foo>') do |config|
  config.noblanks
end

doc.root.children.each { |child| p child }
#<Nokogiri::XML::Element:0x3fad0fafbfa8 name="bar">

正如OP指出，关于解析器选项的Nokogiri网站（以及libxml website）上的文档非常神秘，遵循NOBLANKS选项的行为规范：

require 'rspec/autorun'
require 'nokogiri'

def parse_xml(xml_string)
  Nokogiri.XML(xml_string) { |config| config.noblanks }
end

describe "Nokogiri NOBLANKS parser option" do

  it "removes whitespace nodes if they have siblings" do
    doc = parse_xml("<root>\n <child></child></root>")
    expect(doc.root.children.size).to eq(1)
    expect(doc.root.children.first).to be_kind_of(Nokogiri::XML::Node)
  end

  it "doesn't remove whitespaces nodes if they have no siblings" do
    doc = parse_xml("<root>\n </root>")
    expect(doc.root.children.size).to eq(1)
    expect(doc.root.children.first).to be_kind_of(Nokogiri::XML::Text)
  end

  it "doesn't remove empty nodes" do
    doc = parse_xml('<root><child></child></root>')
    expect(doc.root.children.size).to eq(1)
    expect(doc.root.children.first).to be_kind_of(Nokogiri::XML::Node)
  end

end
2
投票

您可以创建仅返回元素节点的查询，并忽略文本节点。在XPath中，*只返回元素，因此查询可能看起来像（查询整个doc）：

doc.xpath('//note/*')

或者如果你想使用CSS：

doc.css('note > *')

如果要实现significant_nodes方法，则需要相对于传入的节点进行查询：

def significant_nodes(node)
  node.xpath('./*').size
end

我不知道如何用CSS进行相对查询，你可能需要坚持使用XPath。

2
投票

Nokogiri的noblanks配置选项在有兄弟姐妹时不会删除所有空格文本节点：

describe "Nokogiri NOBLANKS parser option" do

  it "doesn't remove whitespace Text nodes if they're surrounded by non-whitespace Text node siblings" do
    doc = parse_xml("<root>1 <two></two> \n <three></three> \n <four></four> 5</root>")
    children = doc.root.children

    expect(children.size).to_not eq(5)
    expect(children.size).to eq(7)  #Because the two newline Text nodes are not ignored
    expect(doc.root.children.first).to be_kind_of(Nokogiri::XML::Node)
  end
end

我不确定为什么Nokogiri被编程以这种方式工作。我认为最好忽略所有空格文本节点不要忽略任何Text节点。

最新问题
© www.soinside.com 2019 - 2024. All rights reserved.