Parse HTML Trong Ruby Với Nokogiri: Hướng Dẫn Chi Tiết

Đang cố gắng parse HTML với Ruby? Nhiệm vụ này hơi khó nếu thiếu công cụ phù hợp.

May mắn thay, Ruby có thư viện tuyệt vời Nokogiri - biến parse HTML thành "bánh vẽ"!

Cài Đặt Nokogiri

gem install nokogiri

Nếu lỗi cài đặt, thử:

gem install nokogiri -- --use-system-libraries

Trích Xuất Title

Script cơ bản parse HTML snippet:

require 'nokogiri'
html = "<title>test</title><body>actual content here...</body>"
parsed_data = Nokogiri::HTML.parse(html)
puts parsed_data.title  # => "test"

Parse trực tiếp từ URL:

require 'open-uri'
Nokogiri::HTML.parse(open('https://example.com')).title

Trích Xuất Link (Anchor Tags)

Lấy tất cả link từ trang:

document = Nokogiri::HTML.parse(open('https://example.com'))
document.class  # Nokogiri::HTML::Document

Truy vấn 2 cách: XPath hoặc CSS selectors.

Dùng XPath

tags = document.xpath("//a")

Lọc tất cả thẻ a (chứa link). Kết quả: mảng Nokogiri::XML::Element.

Lấy URL và text:

tags.each do |tag|
  puts "#{tag[:href]}\t#{tag.text}"
end

Lấy hình ảnh (thẻ img, attribute src):

tags = document.xpath("//img")
images_urls = tags.map { |t| t[:src] }

Dùng DevTools trình duyệt để tìm selector/attribute đúng.

Dùng CSS Selectors Với Nokogiri

Thay xpath bằng css:

headers = document.css("h1")
paragraphs = document.css("p")

Lưu ý: at_css trả về phần tử đầu tiên khớp, css trả về tất cả phần tử khớp.

CSS selector phổ biến hơn XPath, đa số dev quen thuộc hơn.

Tóm Tắt

Tài liệu Nokogiri: rubydoc.info

Có thể bạn thích: Ruby string format