Ruby Nokogiri解析复杂HTML表格：合并分散TD文本

示例HTML #

假设你的目标HTML结构如下：

<table class="detailRecordTable">
  <tr>
    <td class="detailData">单个单元格的完整文本</td>
    <td class="label">无关标签</td>
    <td class="detailData">分散内容的第一部分</td>
    <td class="detailData">分散内容的第二部分</td>
    <td class="detailData">分散内容的第三部分</td>
    <td class="label">其他无关内容</td>
    <td class="detailData">最后一个独立文本</td>
  </tr>
</table>

期望输出 #

把连续的.detailData单元格文本合并，最终得到数组：

["单个单元格的完整文本", "分散内容的第一部分 分散内容的第二部分 分散内容的第三部分", "最后一个独立文本"]

正确实现代码 #

require 'nokogiri'

# 替换为你的实际HTML内容
html = <<~HTML
<table class="detailRecordTable">
  <tr>
    <td class="detailData">单个单元格的完整文本</td>
    <td class="label">无关标签</td>
    <td class="detailData">分散内容的第一部分</td>
    <td class="detailData">分散内容的第二部分</td>
    <td class="detailData">分散内容的第三部分</td>
    <td class="label">其他无关内容</td>
    <td class="detailData">最后一个独立文本</td>
  </tr>
</table>
HTML

doc = Nokogiri::HTML(html)
target_table = doc.at_css('table.detailRecordTable')

merged_texts = []
current_batch = []

# 遍历表格内所有td元素
target_table.css('td').each do |td|
  if td.attribute('class')&.value&.include?('detailData')
    # 是目标td，将文本去空格后加入当前批次
    current_batch << td.text.strip
  else
    # 遇到非目标td，若当前批次有内容则合并后存入结果
    unless current_batch.empty?
      merged_texts << current_batch.join(' ')
      current_batch = []
    end
  end
end

# 处理循环结束后剩余的最后一批目标td
merged_texts << current_batch.join(' ') unless current_batch.empty?

# 输出结果
p merged_texts

代码逻辑说明 #

• 先定位到目标表格detailRecordTable
• 遍历表格内所有td，用current_batch临时存储连续的目标td文本
• 遇到非目标td时，将临时存储的文本合并后加入结果数组，清空临时批次
• 循环结束后检查临时批次是否有剩余内容，避免遗漏最后一组连续目标td

内容的提问来源于stack exchange，提问作者snoozy