使用Nokogiri时多条件CSS选择器报错问题求助

在使用Nokogiri解析HTML时，需要查找两类<tr>节点：

• <table>的直接子节点<tr>
• <table>直接子节点<thead>的直接子节点<tr>

单独使用选择器> tr和> thead > tr调用search方法均可成功获取对应节点，但合并为> tr, > thead > tr时，触发Nokogiri::CSS::SyntaxError语法错误。

环境信息：

• Ruby版本：2.7.0
• Nokogiri版本：1.13.6

相关代码：

#!/usr/bin/ruby -w
require 'nokogiri'

puts RUBY_VERSION #=> 2.7.0
puts Nokogiri::VERSION #=> 1.13.6

html = <<~'HTML'
<html>
    <body>
        
        <table>
            <thead>
                <tr>
                    <th>city</th>
                    <th>state</th>
                    <th>classification</th>
                </tr>
            </thead>
            
            <tr>
                <th>Blacksburg</th>
                <td>Virginia</td>
                <td>College</td>
            </tr>
        </table>
        
    </body>
</html>
HTML

doc = Nokogiri::HTML(html)
table = doc.at('table')

puts table.search('> tr').length #=> 1
puts table.search('> thead > tr').length #=> 1
puts table.search('> tr, > thead > tr').length #=> 触发错误

报错信息：

Traceback (most recent call last):
    12: from ./parse.rb:36:in `<main>'
    11: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:54:in `search'
    10: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:54:in `map'
     9: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:55:in `block in search'
     8: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:245:in `xpath_query_from_css_rule'
     7: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:245:in `map'
     6: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/xml/searchable.rb:246:in `block in xpath_query_from_css_rule'
     5: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/css.rb:46:in `xpath_for'
     4: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/css/parser_extras.rb:78:in `xpath_for'
     3: from /var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/css/parser_extras.rb:68:in `parse'
     2: from (eval):3:in `do_parse'
     1: from (eval):3:in `_racc_do_parse_c'
/var/lib/gems/2.7.0/gems/nokogiri-1.13.6-x86_64-linux/lib/nokogiri/css/parser_extras.rb:86:in `on_error': unexpected '> ' after ', ' (Nokogiri::CSS::SyntaxError)

问题原因 #

Nokogiri 1.13.6版本的CSS解析器存在兼容性问题：当使用逗号分隔多个选择器时，不允许每个选择器都以子组合器>开头（尽管单独使用> tr这类选择器是合法的），解析器会将逗号后的>识别为语法错误。

可行解决方法 #

1. 分开调用search再合并结果
   分别获取两类节点后合并，绕开解析器的语法限制：

   puts (table.search('> tr') + table.search('> thead > tr')).length #=> 2
   

2. 改用XPath表达式
   XPath支持直接使用|操作符实现“或”逻辑，Nokogiri对XPath的处理更稳定：

   puts table.xpath('./tr | ./thead/tr').length #=> 2
   

3. 升级Nokogiri版本
   Nokogiri 1.14.0及以上版本修复了该CSS选择器解析问题，升级后可直接使用合并后的选择器：

   puts table.search('> tr, > thead > tr').length #=> 2
   

内容的提问来源于stack exchange，提问作者tscheingeld