概要

アウトプット用に、学習した内容を紹介していきます。
本日はNokogiriというライブラリを用いて、簡単なhtmlからデータをCSVに出力してみようと思います。

環境

Mac OS Mojave 10.14.6
Ruby 2.5.3
エディタ VSCode
Nokogiri 1.10.5

htmlで取得したデータをcsvに

以下のhtmlから、rowクラスのtitleとdescriptionを取得してcsvファイルに出力します。

training.html

<html>

<head>
  <meta charset="utf-8" />
</head>
<div class="row">
  <div class="title">タイトル１</div>
</div>
<div class="row">
  <div class="title"></div>
  <div class="description">解説２</div>
</div>
<div class="row">
  <div class="title">タイト",ル３</div>
  <div class="description">解説３</div>
</div>

</html>

これをcsvファイルに出力するコードが以下。

html_to_csv.rb

require 'nokogiri'
require 'CSV'

html = File.open('./training.html','r')

doc = Nokogiri.parse(html)

# div class="row"の取得
doc_row = doc.css('div.row')

doc_csv = []
# doc_csvにtitleとdescriptionを格納
doc_row.each do |row|
  doc_csv << [
    row.css('div.title').text,
    row.css('div.description').text
  ]
end

# Fileに出力
File.open('training.csv', 'w') do |file|
  # bomを付加
  file.print("\uFEFF")

  doc_csv.each do |row|
    file.puts(row.to_csv)
  end
end

doc = Nokogiri.parse(html)で開いたhtmlファイルをNokogiriで解析し、docに格納します。
rowクラスごとにtitle、descriptionを取得したいので、まずdoc_row = doc.css('div.row')でrow以下の階層を取得します。
その下のループでは、doc_csvにtitleとdescriptionの配列を一つずつ格納します。
最後にFILEに出力以下で、csvファイルへ出力します。
bomを付けることで、エクセルで開いても文字化けせずに表示してくれます。

CSV.generate(bom)などでもbomを付けることができますが、Rubyの2.5系でCSV.generateにバグがあるようです。この場合はRubyのバージョンを変更して用いる必要があります。

training.csv

タイトル１,""
"",解説２
"タイト"",ル３",解説３

titleとdescriptionが取得できました。またtitleやdescriptionが存在していない場合も空白として出力されています。