如何用Ruby与Nokogiri从XML提取指定格式的财务数据？

看起来你的核心问题在于没有正确处理XML命名空间，以及循环逻辑的错误使用，导致无法提取到<ix:nonFraction>元素和对应的<td>的id属性。另外，因为你处理的是XML文件，应该用Nokogiri::XML而非Nokogiri::HTML来解析，这样能避免HTML解析规则带来的异常。

修正后的完整代码 #

require 'nokogiri'
require 'csv'

# 解析XML文件（注意用Nokogiri::XML，不是HTML）
page = File.open("D:/Accounts.xml") { |f| Nokogiri::XML(f) }

# 准备CSV输出文件
CSV.open('D:/accounts.csv', 'w') do |csv|
  # 遍历所有带有id属性的<td>元素，且内部包含<ix:nonFraction>的
  page.css('td[id]').each do |td|
    # 提取<td>的id属性值
    td_id = td['id']
    # 提取内部的<ix:nonFraction>文本内容（*|匹配任意命名空间下的元素）
    non_fraction_value = td.css('*|nonFraction').text.strip
    # 仅当两者都存在时，写入CSV行
    csv << [td_id, non_fraction_value] if td_id && !non_fraction_value.empty?
  end
end

关键问题解析 #

1. XML命名空间处理：
   你的目标元素是<ix:nonFraction>，其中ix是XML命名空间前缀。直接用css('nonFraction')无法找到元素，因为Nokogiri会忽略命名空间前缀。用*|nonFraction是通配符写法，表示匹配任何命名空间下的nonFraction元素，简单高效。如果需要更严谨，可以先获取命名空间URI，再用css("ix|nonFraction", ix: page.namespaces['xmlns:ix'])精准匹配。

2. 循环逻辑修正：
   你之前的map操作没有正确捕获变量，且直接push的方式不符合CSV行结构要求。我们改用each遍历每个符合条件的<td>，逐个提取id和对应的值，然后直接写入CSV行，既清晰又能避免不必要的内存占用。

3. 解析器选择：
   处理XML文件时，Nokogiri::XML解析器比Nokogiri::HTML更合适——HTML解析器会自动修正不规范标签，可能破坏XML结构，导致元素匹配失败。

处理10万份文件的性能建议 #

• 避免一次性加载所有文件到内存，应逐个文件处理，处理完一个就追加写入CSV（打开CSV时用'a'模式）。
• 用Dir.glob批量遍历目标目录下的XML文件，示例代码：

  CSV.open('D:/all_accounts.csv', 'a') do |csv|
    Dir.glob("D:/financial_files/*.xml").each do |file_path|
      page = Nokogiri::XML(File.open(file_path))
      page.css('td[id]').each do |td|
        td_id = td['id']
        non_fraction_value = td.css('*|nonFraction').text.strip
        csv << [td_id, non_fraction_value] if td_id && !non_fraction_value.empty?
      end
    end
  end
  

• 如果文件量极大，可考虑多线程/多进程处理，但要注意CSV写入的线程安全问题（比如用队列+单独写入线程）。

内容的提问来源于stack exchange，提问作者Rob Arthur