Hpricotでhtmlの解析
Rubyの勉強
簡単な部分の機能を使ってみる。難しい部分はまだ良くわかっていません(^^ゞ
とりあえず以前勉強したREXMLでXMLの解析を行った雰囲気で簡単にhtmlの解析ができるっぽいです。
参考サイト
ザウルスのw3mのブックマークファイルbookmark.htmlを解析
以下の様なhtmlファイルです。
<html> <head> <meta http-equiv="Content-Type" content="text/html; charset=euc-jp"> <TITLE>Bookmarks</TITLE> </head> <body> <h2>Search Box</h2> <ul> <li><a href="bookmark_utf8.html" target=new>Google & Wikipedia</a> <li><a href="bookmark_sjis.html">Amazon</a> <li><a href="bookmark_euc.html">はてな</a> <!--End of section (do not delete this comment)--> </ul> <h2>Manual</h2> <ul> 中略 <!--End of section (do not delete this comment)--> </ul> 略 </body> </html>
rubyスクリプト
#!/usr/bin/env ruby require "rubygems" require "hpricot" #require "pp" require "kconv" doc = open("bookmark.html") { |f| Hpricot(f) } title = (doc/:html/:head/:title) #title = (doc/:title) puts title.text.tosjis #=> Bookmarks、<title>この部分</title> uls = (doc/:html/:body/:ul) p uls.class #=> Hpricot::Elements puts "-----" ul = doc.at("ul") #=> 最初の<ul>…</ul> #ul = uls[1] #=> 二番目の<ul>…</ul> p ul.class #=> Hpricot::Elem (ul/:li/:a).each do |a| #=> aタグを検索 puts a.name #=> a（タグ名） puts a.parent.name #=> li（親要素のタグ名） puts a.inner_text.tosjis #=> <a …>この部分</a> # puts a.inner_html puts a.attributes['href'] #=> href=…の値 p a.attributes['target'] #=> new、無ければnil puts "-----" end l = ul.at("li") #=> 最初のli p l.containers #=> [{elem <a href="bookmark_utf8.html" target="new"> "Google & Wikipedia" </a>}] l = l.next_sibling #=> 次の要素 p l.containers #=> [{elem <a href="bookmark_sjis.html"> "Amazon" </a>}] p l.class #=> Hpricot::Elem
