如何“拉动”来自 html 文件的特定数据并处理数据

Question

我是编程新手，我有一个问题，如何从网站页面中提取特定信息，处理数据以检查并查看其是否满足某些参数，以及存储满足参数的页面的 url。

问题是这样的：

- 有一个网站有几篇文章。 -我希望能够列出网站上包含少于 x 个单词的文章的 URL 列表。

我不需要编码或任何方面的帮助，因为我对此很陌生，这本质上是我学习编程的自我练习。

我只是想知道如何解决这个问题。我了解 HTML 和最少的 Ruby，这就是我的知识范围。

我只是不知道如何从网页“提取”数据。 :S 我将使用什么来提取 HTML？提取 HTML 后我该如何处理它？将其转换为红宝石？如果是这样，怎么办？

Answer 1

首先：

require 'open-uri'
require 'nokogiri' 
doc = Nokogiri::HTML(open(URL))
doc.xpath(//a).each {|node| p a.text}

Nokogiri 是一个用 Ruby 解析 HTML/XML 文档的库。请查看网页以获取有关如何安装/使用它的更多信息。