Ruby中Nokogiri库进阶使用与XML数据解析技巧

时间：2026-08-18 | 作者：冻月看渠 | 阅读：0

一、基础语法

Nokogiri 是 Ruby 里处理 XML/HTML 的利器，上手其实非常直观。核心思路就一句话：把文本或文件变成可查询的对象，然后通过各种方式取数据。先看三种最常见的对象生成方式。

直接在代码里写字符串就行，Nokogiri 会自动解析成文档对象：

html_doc = Nokogiri::HTML("Mr. Belvedere Fan Club")
xml_doc = Nokogiri::XML("Alf")

这里的 html_doc 和 xml_doc 就是标准的 Nokogiri 文档对象，后面所有操作都基于它。

当然，也可以从本地文件读取：

f = File.open("blossom.xml")
doc = Nokogiri::XML(f)
f.close

更常见的场景是从网上抓取页面，配合 open-uri 一行搞定：

require 'open-uri'
doc = Nokogiri::HTML(open("http://www.xxx.com/"))

二、XML 文件解析实例

拿到文档对象后，最核心的需求就是提取特定字段。Nokogiri 提供了两种查询方式：XPath 和 CSS 选择器。下面用一个典型的数据文件 shows.xml 来演示，内容如下：


 
  
   Married with Children
   
    Al Bundy
    Bud Bundy
    Marcy Darcy
   
  
  
   Perfect Strangers
   
    Larry Appleton
    Balki Bartokomous
   
  
 
 
  
   The A-Team
   
    John "Hannibal" Smith
    Templeton "Face" Peck
    "B.A." Baracus
    "Howling Mad" Murdock

如果想抓出所有标签的内容，用 XPath 的 //character 即可：

@doc = Nokogiri::XML(File.open("shows.xml"))
@doc.xpath("//character")

这里的 xpath 和 css 方法返回的都是节点列表（类似数组），包含了文档中所有匹配的节点。

如果只想查 dramas 里的角色，可以加路径限制：

@doc.xpath("//dramas//character")

CSS 选择器的可读性更好，比如查所有情景剧的名称：

characters = @doc.css("sitcoms name")
# => ["Married with Children", "Perfect Strangers"]

当结果唯一时，直接用 at_xpath 或 at_css 可以省去 .first：

@doc.css("dramas name").first # => "The A-Team"
@doc.at_css("dramas name")  # => "The A-Team"

三、Namespaces

当 XML 里出现多个同名标签但属于不同命名空间时，命名空间就显得格外重要。举个例子，下面这个 parts.xml 里有两个，分别来自不同供应商，里面的含义完全不同：


 
 
  all weather
  studded
  extra wide
 

 
 
  street
  mountain

这时可以用唯一的 URL 作为命名空间前缀来区分：

@doc = Nokogiri::XML(File.read("parts.xml"))
car_tires = @doc.xpath('//car:tire', 'car' => 'http://alicesautoparts.com/')
bike_tires = @doc.xpath('//bike:tire', 'bike' => 'http://bobsbikes.com/')

有趣的是，Nokogiri 会自动绑定根节点上找到的命名空间，这让日常使用省了不少事。比如一个标准的 Atom 订阅文件：



 Example Feed
 
 2003-12-13T18:30:02Z
 
  John Doe
 
 urn:uuid:60a76c80-d399-11d9-b93C-0003939e0af6

 
  Atom-Powered Robots Run Amok
  
  urn:uuid:1225c695-cfb8-4ebb-aaaa-80da344efa6a
  2003-12-13T18:30:02Z
  Some text.

由于根节点的 xmlns 已被自动绑定，可以直接用 xmlns 这个前缀来查询：

@doc.xpath('//xmlns:title')
# => ["Example Feed", "Atom-Powered Robots Run Amok"]

CSS 方式也类似，只需要换用管道符分隔：

@doc.css('xmlns|title')

更省事的是，如果命名空间名字就是 xmlns，连前缀都可以忽略，直接写标签名：

@doc.css('title')

这就是 Nokogiri 处理命名空间的便捷之处——多数情况下，你甚至感觉不到它的存在。

《夸克》非常好用的免费AI浏览器

下载APP查看

免责声明：文中图文均来自网络，如有侵权请联系删除，心愿游戏发布此文仅为传递信息，不代表心愿游戏认同其观点或证实其描述。

精选合集

更多