bio*_*iel 9 ruby string url uri ruby-on-rails
这是一个简单的脚本,它带有一个带有德语URL的锚标记,并提取URL:
# encoding: utf-8
require 'uri'
url = URI.extract('<a href="http://www.example.com/wp content/uploads/2012/01/München.jpg">München</a>')
puts url
http://www.example.com/wp-content/uploads/2012/01/M
该extract方法停在ü.如何才能使用非英文字母？我正在使用ruby-1.9.3-p0.
the*_*Man 12
Ruby的内置URI对某些东西很有用,但在处理国际字符或IDNA地址时它不是最佳选择.为此,我建议使用Addressable gem.
这是一些清理过的IRB输出:
require 'addressable/uri'
url = 'http://www.example.com/wp content/uploads/2012/01/München.jpg'
uri = Addressable::URI.parse(url)
这就是Ruby现在所知道的:
#<Addressable::URI:0x102c1ca20
@uri_string = nil,
@validation_deferred = false,
attr_accessor :authority = nil,
attr_accessor :host = "www.example.com",
attr_accessor :path = "/wp content/uploads/2012/01/München.jpg",
attr_accessor :scheme = "http",
attr_reader :hash = nil,
attr_reader :normalized_host = nil,
attr_reader :normalized_path = nil,
attr_reader :normalized_scheme = nil
>
看着路径,你可以看到它,或者它应该是:
1.9.2-p290 :004 > uri.path # => "/wp content/uploads/2012/01/München.jpg"
1.9.2-p290 :005 > uri.normalized_path # => "/wp%20content/uploads/2012/01/M%C3%BCnchen.jpg"
考虑到互联网如何转向更复杂的URI和混合的Unicode字符,应该选择Addressable来替换Ruby的URI.
现在,获取字符串也很容易,但取决于您需要查看多少文本.
如果您有完整的HTML文档,最好的办法是使用Nokogiri解析HTML并href从<a>标记中提取参数.这是一个单一的开始<a>:
require 'nokogiri'
html = '<a href="http://www.example.com/wp content/uploads/2012/01/München.jpg">München</a>'
doc = Nokogiri::HTML::DocumentFragment.parse(html)
doc.at('a')['href'] # => "http://www.example.com/wp content/uploads/2012/01/München.jpg"
解析使用DocumentFragment避免将片段包装在通常的<html><body>标签中.对于您想要使用的完整文档:
doc = Nokogiri::HTML.parse(html)
这是两者之间的区别:
irb(main):006:0> Nokogiri::HTML::DocumentFragment.parse(html).to_html
=> "<a href=\"http://www.example.com/wp%20content/uploads/2012/01/M%C3%BCnchen.jpg\">München</a>"
与:
irb(main):007:0> Nokogiri::HTML.parse(html).to_html
=> "<!DOCTYPE html PUBLIC \"-//W3C//DTD HTML 4.0 Transitional//EN\" \"http://www.w3.org/TR/REC-html40/loose.dtd\">\n<html><body><a href=\"http://www.example.com/wp%20content/uploads/2012/01/M%C3%BCnchen.jpg\">München</a></body></html>\n"
因此,使用第二个用于完整的HTML文档,对于一个小的部分块,使用第一个.
要扫描整个文档,提取所有href,请使用:
hrefs = doc.search('a').map{ |a| a['href'] }
如果你只有你在示例中显示的小字符串,你可以考虑使用一个简单的正则表达式来隔离所需的href:
html[/href="([^"]+)"/, 1]
=> "http://www.example.com/wp content/uploads/2012/01/München.jpg"