使用 XPath 对 HTML/XML 文档中的兄弟姐妹进行分组? [英] Use XPath to group siblings from an HTML/XML document?

查看：51
本文介绍了使用 XPath 对 HTML/XML 文档中的兄弟姐妹进行分组?的处理方法，对大家解决问题具有一定的参考价值，需要的朋友们下面随着小编来一起学习吧！

问题描述

我想通过对以前未分组的同级节点进行分组来转换 HTML 或 XML 文档.

例如，我想取以下片段:

Header
<p>第一段</p><p>第二段</p><h2>第二个标题</h2><p>第三段</p><p>第四段</p>

进入这个:

<h2>标题</h2><p>第一段</p><p>第二段</p></节><部分><h2>第二个标题</h2><p>第三段</p><p>第四段</p></节>

这是否可以使用简单的 Xpath 选择器和像 Nokogiri 这样的 XML 解析器?或者我是否需要为此任务实现 SAX 解析器?

解决方案

更新答案

这是一个通用的解决方案，它根据标题级别及其以下兄弟元素创建

元素的层次结构:

class Nokogiri::XML::Node# 根据标题级别在文档上创建层次结构# 包装:例如<节>"或
"#stops :停止所有部分的标签名称数组；不使用 nil# levels :按顺序控制嵌套的标签名称数组def auto_section(wrap='<section>',stops=%w[hr], levels=%w[h1 h2 h3 h4 h5 h6])级别 = 哈希[levels.zip(0...levels.length)]停止 = 停止 &&哈希[stops.product([true])]堆栈 = []children.each 做 |节点|除非级别 = 级别[节点名称]级别 = 停止 &&停止[节点名称] &&-1结尾stack.pop while (top=stack.last) &&top[:level]>=level if levelstack.last[:section].add_child(node) 如果 stack.last如果级别 &&等级 >=0section = Nokogiri::XML.fragment(wrap).children[0]node.replace(section);部分<<节点堆栈<<{ :section=>section, :level=>level }结尾结尾结尾结尾

这是正在使用的代码，以及它给出的结果.

原始 HTML

<h1>主要部分 1</h1><p>介绍</p><h2>子目1.1</h2><p>肉</p><p>MOAR MEAT</p><h2>子目1.2</h2><p>肉</p><h3>注意事项</h3><p>仅供参考</p><h4>ProTip</h4><p>完成它</p><h2>子目1.3</h2><p>肉</p><h1>主要部分 2</h1><h3>跳进去！</h3><p>跳过关卡！</p><h2>子目2.1</h2><p>备份...</p><h4>潜水！潜水！<p>...向下</p><hr/><p id="footer">版权&copy;全部完成</p>

转换代码

# 仅使用 XML 以便我们可以漂亮地打印结果；HTML 也能正常工作doc = Nokogiri::XML(html,&:noblanks) # 去除空格允许缩进doc.at('body').auto_section # 让魔法发生puts doc.to_xhtml # 用缩进显示结果

结果

<部分><h1>主要部分 1</h1><p>介绍</p><部分><h2>子目1.1</h2><p>肉</p><p>MOAR MEAT</p></节><部分><h2>子目1.2</h2><p>肉</p><部分><h3>注意事项</h3><p>仅供参考</p><部分><h4>ProTip</h4><p>完成它</p></节></节></节><部分><h2>子目1.3</h2><p>肉</p></节></节><部分><h1>主要部分 2</h1><部分><h3>跳进去！</h3><p>跳过关卡！</p></节><部分><h2>子目2.1</h2><p>备份...</p><部分><h4>潜水！潜水！<p>...向下</p></节></节></节><小时/><p id="footer">版权全部完成</p>

原答案

这里的答案不使用 XPath，而是使用 Nokogiri.我冒昧地使解决方案有点灵活，处理任意开始/停止(但不是嵌套部分).

html = "
Header
<p>第一段</p><p>第二段</p><h2>第二个标题</h2><p>第三段</p><p>第四段</p><小时><p id='footer'>大功告成！</p>"需要'nokogiri'类 Nokogiri::XML::Node# 提供一个返回的块:# true - 对于应该开始新部分的节点# false - 对于不应开始新部分的节点# :stop - 对于应该停止任何当前节但不开始新节的节点def group_under(name="section")组 = 无element_children.each 做 |child|案例产量(子)当为假时，无组<<孩子如果组什么时候:停止组 = 无别的group = document.create_element(name)child.replace(组)组<<孩子结尾结尾结尾结尾doc = Nokogiri::HTML(html)doc.at('body').group_under 做 |node|如果 node.name == 'hr':停止别的%w[h1 h2 h3 h4 h5 h6].include?(node.name)结尾结尾把文档#=><!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">#=><html><body>#=><section><h2>标题</h2>#=><p>第一段</p>#=><p>第二段</p></section>#=>#=><section><h2>第二个头部</h2>#=><p>第三段</p>#=><p>第四段</p></section>#=>#=><小时>#=><p id="footer">大功告成！</p>#=></body></html>

对于 XPath，请参阅 XPath:选择所有后续兄弟姐妹，直到另一个兄弟姐妹

I want to transform an HTML or XML document by grouping previously ungrouped sibling nodes.

For example, I want to take the following fragment:

<h2>Header</h2>
<p>First paragraph</p>
<p>Second paragraph</p>

<h2>Second header</h2>
<p>Third paragraph</p>
<p>Fourth paragraph</p>

Into this:

<section>
  <h2>Header</h2>
  <p>First paragraph</p>
  <p>Second paragraph</p>
</section>

<section>
  <h2>Second header</h2>
  <p>Third paragraph</p>
  <p>Fourth paragraph</p>
</section>

Is this possible using simple Xpath selectors and an XML parser like Nokogiri? Or do I need to implement a SAX parser for this task?

解决方案

Updated Answer

Here's a general solution that creates a hierarchy of <section> elements based on header levels and their following siblings:

class Nokogiri::XML::Node
  # Create a hierarchy on a document based on heading levels
  #   wrap   : e.g. "<section>" or "<div class='section'>"
  #   stops  : array of tag names that stop all sections; use nil for none
  #   levels : array of tag names that control nesting, in order
  def auto_section(wrap='<section>', stops=%w[hr], levels=%w[h1 h2 h3 h4 h5 h6])
    levels = Hash[ levels.zip(0...levels.length) ]
    stops  = stops && Hash[ stops.product([true]) ]
    stack = []
    children.each do |node|
      unless level = levels[node.name]
        level = stops && stops[node.name] && -1
      end
      stack.pop while (top=stack.last) && top[:level]>=level if level
      stack.last[:section].add_child(node) if stack.last
      if level && level >=0
        section = Nokogiri::XML.fragment(wrap).children[0]
        node.replace(section); section << node
        stack << { :section=>section, :level=>level }
      end
    end
  end
end

Here is this code in use, and the result it gives.

The original HTML 

<body>
<h1>Main Section 1</h1>
<p>Intro</p>
<h2>Subhead 1.1</h2>
<p>Meat</p><p>MOAR MEAT</p>
<h2>Subhead 1.2</h2>
<p>Meat</p>
<h3>Caveats</h3>
<p>FYI</p>
<h4>ProTip</h4>
<p>Get it done</p>
<h2>Subhead 1.3</h2>
<p>Meat</p>

<h1>Main Section 2</h1>
<h3>Jumpin' in it!</h3>
<p>Level skip!</p>
<h2>Subhead 2.1</h2>
<p>Back up...</p>
<h4>Dive! Dive!</h4>
<p>...and down</p>

<hr /><p id="footer">Copyright &copy; All Done</p>
</body>

The conversion code

# Use XML only so that we can pretty-print the results; HTML works fine, too
doc = Nokogiri::XML(html,&:noblanks) # stripping whitespace allows indentation
doc.at('body').auto_section          # make the magic happen
puts doc.to_xhtml                    # show the result with indentation

The result

<body>
  <section>
    <h1>Main Section 1</h1>
    <p>Intro</p>
    <section>
      <h2>Subhead 1.1</h2>
      <p>Meat</p>
      <p>MOAR MEAT</p>
    </section>
    <section>
      <h2>Subhead 1.2</h2>
      <p>Meat</p>
      <section>
        <h3>Caveats</h3>
        <p>FYI</p>
        <section>
          <h4>ProTip</h4>
          <p>Get it done</p>
        </section>
      </section>
    </section>
    <section>
      <h2>Subhead 1.3</h2>
      <p>Meat</p>
    </section>
  </section>
  <section>
    <h1>Main Section 2</h1>
    <section>
      <h3>Jumpin' in it!</h3>
      <p>Level skip!</p>
    </section>
    <section>
      <h2>Subhead 2.1</h2>
      <p>Back up...</p>
      <section>
        <h4>Dive! Dive!</h4>
        <p>...and down</p>
      </section>
    </section>
  </section>
  <hr />
  <p id="footer">Copyright  All Done</p>
</body>

Original Answer

Here's an answer using no XPath, but Nokogiri. I've taken the liberty of making the solution somewhat flexible, handling arbitrary start/stops (but not nested sections).

html = "<h2>Header</h2>
<p>First paragraph</p>
<p>Second paragraph</p>

<h2>Second header</h2>
<p>Third paragraph</p>
<p>Fourth paragraph</p>

<hr>
<p id='footer'>All done!</p>"

require 'nokogiri'
class Nokogiri::XML::Node
  # Provide a block that returns:
  #  true  - for nodes that should start a new section
  #  false - for nodes that should not start a new section
  #  :stop - for nodes that should stop any current section but not start a new one
  def group_under(name="section")
    group = nil
    element_children.each do |child|
      case yield(child)
        when false, nil
          group << child if group
        when :stop
          group = nil 
        else
          group = document.create_element(name)
          child.replace(group)
          group << child
      end
    end
  end
end

doc = Nokogiri::HTML(html)
doc.at('body').group_under do |node|
  if node.name == 'hr'
    :stop
  else
    %w[h1 h2 h3 h4 h5 h6].include?(node.name)
  end
end

puts doc
#=> <!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
#=> <html><body>
#=> <section><h2>Header</h2>
#=> <p>First paragraph</p>
#=> <p>Second paragraph</p></section>
#=> 
#=> <section><h2>Second header</h2>
#=> <p>Third paragraph</p>
#=> <p>Fourth paragraph</p></section>
#=> 
#=> <hr>
#=> <p id="footer">All done!</p>
#=> </body></html>

For XPath, see XPath : select all following siblings until another sibling

这篇关于使用 XPath 对 HTML/XML 文档中的兄弟姐妹进行分组?的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！

查看全文
相关文章
其他开发最新文章
热门教程
热门工具
登录 关闭
扫码关注1秒登录
发送“验证码”获取 | 15天全站免登陆