Help us understand the problem. What is going on with this article?

HTMLの全要素について同じパスごとに出現回数を数える。

More than 3 years have passed since last update.

はじめに

  今いま、取り組んでいる仕事で、頻繁にHTMLをパースすることがあって、そこで直面した課題と、それを楽に切り抜けたという小話。パーサーはNokogiriです。

お題

  あるHTMLの、とりあえず<body>の中で、同じパスの位置に出現する要素別に、その出現回数を数えなければならないという、ちょっと面倒なタスクが発生した。ここでいうパスとは、ざっくりいうと、XPathによる表記から n-th を表す [n]を除去したもの、ぐらいの意味。

  たとえば、こういうHTML

<!DOCTYPE html>
<html lang="ja">
<head>
    <meta charset="UTF-8">
    <title>Test</title>
</head>
<body>
    <p>あいうえお</p>
    <ul id="list_1">
        <li id="item_1" class="red">かきくけこ</li>
        <li id="item_2" class="blue">さしすせそ</li>
        <li id="item_3" class="red">たちつてと</li>
    </ul>
    <div>
        <p>なにぬねの</p>
    </div>
    <ul id="list_2">
        <li id="item_4" class="red">はひふへほ</li>
    </ul>
</body>
</html>

があったとして、クラスやid、および n-thは無視して、同じパスに出現する要素をカウントして、できれば多い順に

/html/body/ul/li: 4回
/html/body/ul: 2回
/html/body/p: 1回
/html/body/div/p: 1回
/html/body/div: 1回
/html/body: 1回

という結果が欲しい。

解法

  出現順にソートするのは後でやるとしても、まずは、パスごとに出現回数を数えるようなものを作る必要がある。そのためには、要素のすべてを走査するようなロジックを書かないといけない。しかし、全要素をたどるメソッドを(再帰を使ったりして)自分で書くのは、車輪の再開発以外の何ものでもないなと思って調べたら、ありました。

Nokogiri::XML::Node#traverse

  このtraverseにブロックを渡してやれば、あとは面倒をみてくれそう。これは便利。ということで、以下で切り抜けました。

count_element_paths.rb
# coding: utf-8

require 'nokogiri'

body = Nokogiri::HTML.parse(<<-TARGET_HTML).css('body')[0]
    <!DOCTYPE html>
    <html lang="ja">
    <head>
        <meta charset="UTF-8">
        <title>Test</title>
    </head>
    <body>
        <p>あいうえお</p>
        <ul id="list_1">
            <li id="item_1" class="red">かきくけこ</li>
            <li id="item_2" class="blue">さしすせそ</li>
            <li id="item_3" class="red">たちつてと</li>
        </ul>
        <div>
            <p>なにぬねの</p>
        </div>
        <ul id="list_2">
            <li id="item_4" class="red">はひふへほ</li>
        </ul>
    </body>
    </html>
TARGET_HTML

# カウント結果を保存する、パス => 回数のハッシュ(回数の初期値:0)
counters = Hash.new(0)

# traverseメソッドで、全ノードについて、そのパスをカウント
body.traverse do |node|

  next if node.name == 'text' # テキストは数えない

  path_ignored_nth = node.path.gsub(/\[\d+\]/,'')  # パス文字列から n-th を表す部分を削除

  counters[path_ignored_nth] += 1  # カウンターを更新

end


# 結果を出力
counters.each do |path, counter|
  puts "#{path}: #{counter}"
end

上記を実行して、以下が得られました。

$ ruby count_element_paths.rb 
/html/body/p: 1
/html/body/ul/li: 4
/html/body/ul: 2
/html/body/div/p: 1
/html/body/div: 1
/html/body: 1

  このあとは、対象のHTMLをファイルなりURL経由のものにしたり、結果をソートしたりなどの作業を淡々とこなして完成。

  何か作ろうとしたときに、それのある部分について
「これはきっと、すでに他のデキる人が作ってくれてるハズ」
っていう予感みたいなの大事ですねと、改めて感じた次第。
(まあ、今回のtraverseは自分で書いても数行の話ではありますけれども。)

Why not register and get more from Qiita?
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
Comments
No comments
Sign up for free and join this conversation.
If you already have a Qiita account
Why do not you register as a user and use Qiita more conveniently?
You need to log in to use this function. Qiita can be used more conveniently after logging in.
You seem to be reading articles frequently this month. Qiita can be used more conveniently after logging in.
  1. We will deliver articles that match you
    By following users and tags, you can catch up information on technical fields that you are interested in as a whole
  2. you can read useful information later efficiently
    By "stocking" the articles you like, you can search right away
ユーザーは見つかりませんでした