Parsing HTML med Ruby

Att arbeta med HTML-data är en vanlig uppgift för många utvecklare, och Ruby erbjuder kraftfulla verktyg för att enkelt parsa och manipulera HTML. I denna artikel kommer vi att utforska hur man kan använda Ruby för att parsa HTML, med fokus på biblioteket Nokogiri, som är ett av de mest populära verktygen för detta ändamål. Vi kommer att gå igenom grunderna, ge exempel och diskutera några vanliga användningsområden.

Vad är HTML-parsing?

HTML-parsing är processen att analysera HTML-dokument för att extrahera information eller manipulera innehållet. Detta kan vara användbart för en mängd olika uppgifter, såsom web scraping, dataanalys eller att bygga webbtjänster. Genom att använda Ruby och Nokogiri kan vi enkelt navigera i HTML-strukturen och hämta den information vi behöver.

Introduktion till Nokogiri

Nokogiri är ett kraftfullt Ruby-bibliotek för att arbeta med HTML och XML. Det erbjuder en enkel och intuitiv API för att navigera i dokument, söka efter element och extrahera data. För att komma igång med Nokogiri, behöver vi först installera det.

Installation av Nokogiri

För att installera Nokogiri, öppna din terminal och kör följande kommando:

gem install nokogiri

Detta kommer att installera Nokogiri och dess beroenden. När installationen är klar kan vi börja använda det i våra Ruby-skript.

Grunderna i HTML-parsing med Nokogiri

Låt oss börja med att se hur vi kan ladda ett HTML-dokument och parsa det med Nokogiri. Här är ett enkelt exempel:

require 'nokogiri'
require 'open-uri'

# Ladda HTML-dokumentet
url = 'https://example.com'
html = URI.open(url)

# Parsar HTML-dokumentet
doc = Nokogiri::HTML(html)

# Skriver ut titeln på sidan
puts doc.title

I detta exempel använder vi `open-uri` för att hämta HTML-innehållet från en webbsida. Vi laddar sedan HTML-dokumentet med Nokogiri och skriver ut titeln på sidan.

Navigera i HTML-strukturen

När vi har laddat HTML-dokumentet kan vi navigera i dess struktur. Nokogiri erbjuder flera metoder för att söka efter element. Här är några vanliga metoder:

• css: Används för att söka efter element med CSS-väljare.
• xpath: Används för att söka efter element med XPath-uttryck.
• at_css: Hämtar det första elementet som matchar en CSS-väljare.
• at_xpath: Hämtar det första elementet som matchar ett XPath-uttryck.

Här är ett exempel på hur man använder dessa metoder:

# Hämta alla länkar på sidan
links = doc.css('a')

links.each do |link|
  puts link['href'] # Skriver ut href-attributet för varje länk
end

I detta exempel hämtar vi alla ``-element (länkar) på sidan och skriver ut deras `href`-attribut.

# Hämta alla rubriker
headlines = doc.css('h2.headline')

headlines.each do |headline|
  puts headline.text # Skriver ut texten för varje rubrik
end

require 'nokogiri'
require 'open-uri'

url = 'https://example.com/news'
html = URI.open(url)
doc = Nokogiri::HTML(html)

# Hämta rubriker och länkar
articles = doc.css('article')

articles.each do |article|
  title = article.at_css('h2').text
  link = article.at_css('a')['href']
  puts "Rubrik: #{title}, Länk: #{link}"
end