Ruby:
Analysering av HTML
Hvordan:
For å parse HTML i Ruby, installer ‘Nokogiri’-gemmen med gem install nokogiri. Nokogiri er som en Sveitsisk lommekniv for å jobbe med HTML og XML i Ruby. Her er et kjapt eksempel:
require 'nokogiri'
require 'open-uri'
# Last inn HTML-innhold fra et nettsted
html_content = URI.open('http://example.com').read
# Parse HTML-en
doc = Nokogiri::HTML(html_content)
# Ekstraher tittelen
title = doc.xpath('//title').text
puts "Tittelen på siden er: #{title}"Dette gir ut noe som: Tittelen på siden er: Eksempeldomene.
Dypdykk
Tilbake i de tidlige Ruby-dagene, var alternativene for parsing av HTML begrensede. REXML var innebygd men treg. Så dukket Hpricot opp, men det falmet bort. Nokogiri debuterte i 2008, og blandet enkelheten til Hpricot med hastigheten og kraften til libxml, et bevist XML-verktøy.
I parsing-verdenen er det alltid alternativer. Noen sverger til det innebygde ‘rexml’-biblioteket eller ‘oga’, en annen XML/HTML-parser for Ruby. Men Nokogiri forblir en favoritt for sin robusthet og hastighet, for ikke å nevne dens enorme utvalg av funksjoner.
Under panseret konverterer Nokogiri HTML til et Document Object Model (DOM)—en trestruktur. Dette gjør det enkelt å navigere og manipulere elementer. Ved å bruke XPath og CSS-selektorer, kan du peke ut akkurat den informasjonen du trenger.
Se Også
- Nokogiri-gem: https://nokogiri.org/
- Ruby sin rexml-dokumentasjon: https://ruby-doc.org/stdlib-2.6.3/libdoc/rexml/rdoc/REXML/Document.html
- Alternativ parser ‘oga’: https://github.com/YorickPeterse/oga
- Lær om XPath: https://www.w3schools.com/xml/xpath_intro.asp