如何跨 HTML 个标签边界查找文本？

Question

我有 HTML 这样的：

<div>Lorem ipsum <b>dolor sit</b> amet.</div>

如何在此 HTML 中为我的搜索字符串 ipsum dolor 找到基于纯文本的匹配项？我需要用于匹配的开始和结束 XPath 节点指针，以及指向这些开始和停止节点内部的字符索引。我使用 Nokogiri 来处理 DOM，但是 Ruby 的任何解决方案都可以。

难度：

我无法通过 DOM node.traverse {|node| … } 并在遇到文本节点时进行纯文本搜索，因为我的搜索字符串可以跨越标签边界。
将 HTML 转换为纯文本后，我无法进行纯文本搜索，因为我需要 XPath 索引作为结果。

我可以通过基本的树遍历自己实现它，但在我这样做之前，我想问一下是否有 Nokogiri 函数或技巧可以更轻松地完成它。

Answer 1

你可以这样做：

doc.search('div').find{|div| div.text[/ipsum dolor/]}

Answer 2

最终我们使用的代码如下。它针对问题中给出的示例显示，但也适用于任意深度 HTML 标记嵌套的一般情况。（这是我们需要的。）

此外，我们以一种可以忽略一行中多余（≥2）个空白字符的方式实现它。这就是为什么我们必须搜索匹配的结尾而不能只使用搜索字符串/引号的长度和匹配位置的开始：搜索字符串和搜索匹配中的空白字符数可能不同。

doc = Nokogiri::HTML.fragment("<div>Lorem ipsum <b>dolor sit</b> amet.</div>")
quote = 'ipsum dolor'


# (1) Find search string in document text, "plain text in plain text".

quote_query = 
  quote.split(/[[:space:]]+/).map { |w| Regexp.quote(w) }.join('[[:space:]]+')

start_index = doc.text.index(/#{quote_query}/i)
end_index = start_index+doc.text[/#{quote_query}/i].size


# (2) Find XPath values and character indexes for our search match.
# 
# To do this, walk through all text nodes and count characters until 
# encountering both the start_index and end_index character counts 
# of our search match.

start_xpath, start_offset, end_xpath, end_offset = nil
i = 0

doc.xpath('.//text() | text()').each do |x|
  offset = 0
  x.text.split('').each do
    if i == start_index
      e = x.previous
      sum = 0
      while e
        sum+= e.text.size
        e = e.previous
      end
      start_xpath = x.path.gsub(/^\?/, '').gsub(
        /#{Regexp.quote('/text()')}.*$/, ''
      )
      start_offset = offset+sum
    elsif i+1 == end_index
      e = x.previous
      sum = 0
      while e
        sum+= e.text.size
        e = e.previous
      end
      end_xpath = x.path.gsub(/^\?/, '').gsub(
        /#{Regexp.quote('/text()')}.*$/, ''
      )
      end_offset = offset+1+sum
    end
    offset+=1
    i+=1
  end
end

此时，我们可以为搜索匹配的开始和结束检索所需的 XPath 值（此外，字符偏移量指向搜索开始和结束的 XPath 指定元素内的确切字符比赛）。我们得到：

puts start_xpath
  /div
puts start_offset
  6
puts end_xpath
  /div/b
puts end_offset
  5

如何跨 HTML 个标签边界查找文本？

How to find text across HTML tag boundaries?

ruby

xpath

dom

html-parsing

nokogiri