Nokogiri解析多行<link>标签时文本分离问题求助

首先，我发现了核心问题：你用Nokogiri::HTML解析RSS订阅源，但RSS本质是XML格式，HTML解析器会按照HTML的规则处理标签，这就是<link>标签文本无法正确获取的根源。

HTML里的<link>是自闭合的空标签（比如<link rel="stylesheet">），所以Nokogiri的HTML解析器会把你的<link>当成空元素，后面的URL文本就被解析成了和<link>同级的独立文本节点，而不是<link>的子节点——这就是为什么node.css('link').text返回空字符串。

解决方案一：使用XML解析器（推荐） #

把解析方式换成Nokogiri::XML，严格按照XML规则处理标签结构：

require 'open-uri'
doc = Nokogiri::XML(open('https://rss.acast.com/abroadinjapan'))
node = doc.xpath('//item').first # 用XPath或css('item')都可以
node.css('title').text # 正常获取标题
node.css('link').text # 现在能正确拿到URL文本了

解决方案二：如果必须用HTML解析器（不推荐） #

如果因为某些原因不能切换到XML解析器，你可以通过获取<link>节点的相邻文本节点来拿到URL：

# 方式1：用next方法获取下一个节点（即目标Text节点）
node.css('link').next.text.strip

# 方式2：遍历子节点，定位<link>之后的文本节点
link_node = node.css('link').first
target_text = node.children.select { |n| n.previous == link_node && n.is_a?(Nokogiri::XML::Text) }.first.text.strip

另外补充个小细节：你用doc.css('//item')其实是在CSS选择器里混用了XPath语法，虽然Nokogiri支持，但更规范的写法是doc.xpath('//item')或者纯CSS选择器doc.css('item')。

内容的提问来源于stack exchange，提问作者Argus9