Возникли проблемы синтаксического анализа этих данных в Watir-WebDriver

Question

См иерархии ниже:

Все, что нужно здесь «Компания Название», «владелец компании», «владелец компании Название», «Улица Номер Улица Name "и" City, State Zipcode ".

Я пробовал b.div.span.bs, но это не сработало (bs, потому что есть несколько блоков, из которых я собираю данные). Я также подумал, что просто попробую что-то вроде b.tds.split('<br>'), а затем заменим все экземпляры тегов и как-то удаляю пустые ячейки ячеек, но я обнаружил, что каждый блок отличается, поэтому данные не выравниваются, т. Е. Название компании может быть в ячейке 1 для первого массива, но тогда, если название компании отсутствует (для второго блока), ячейка 1 будет владельцем компании, которая конфликтует ... Во всяком случае, просто пытайтесь найти умный способ получить эти данные. Спасибо.

Here - это фактический HTML; однако вы должны сначала нажать «Просмотреть все».

Answer 1

Вы можете разделить все, что находится внутри <div>, а затем разбить его на <br>. Первая часть - название компании (если существует), а затем владелец компании последний/второй.

Остальное ... сложнее. Некоторые из них довольно страшны в этом факсе и Member, так как имеют ярлыки, так что это легко. <a> легко.

Возможно, вы можете проверить номер телефона с помощью регулярного выражения, а затем вернуться обратно оттуда. Если номер телефона до номера телефона не <a>, тогда это город, почтовый индекс и тот, который до этого является адресом. Если он существует до этого, это название владельца компании.

Все после номера телефона в ваших примерах есть ярлыки, так что это легко.

Answer 2

Я не уверен, что все ваши варианты использования, но часто для страниц, где DOM не очень полезно, я только получить текст и разобрать с Ruby:

browser.td.text.split("\n").reject(&:empty?) 

Answer 3

Это не сразу ответить на вопрос, но он показывает, как бы я идти об этом с помощью Nokogiri, который является стандартом HTML/XML парсер для Ruby:

require 'nokogiri' 

doc = Nokogiri::HTML('<td><div></div><br>a<br>b<br>c</td>') 

doc внутреннее представление Nokogiri о документе.

Мы используем ориентиры в разметке для навигации и поиска вещей, которые мы хотим. В этом случае <div> является хорошей отправной точкой:

doc.at('div').next_sibling.next_sibling.text # => "a" 

next_sibling как мы говорим Nokogiri смотреть на следующий узел. В этом случае он проходит мимо первого <br> и смотрит на TextNode a.

Это было бы привести к неработоспособному коду, хотя, так что есть лучший путь:

doc.search('td br').to_html # => "<br><br><br>" 

Это показывает, что мы можем найти все <br> тегов внутри <td>, так что мы просто должны перебрать их и используйте их в качестве наших ориентиров:

doc.search('td br').map{ |br| br.next_sibling.text } # => ["a", "b", "c"]