在Ruby上，可以用近似 jQuery语法来解析DOM的好工具 -Hpricot

前阵子有一个需求，要从5、60个网页档中，抓出需要的资讯。

我稍稍看了一下这些网页档原始码，结构大概是大同小异，而且需要的资料，都有使用id来标示，因此我想于其直接去parse文字，不如透过DOM来抓会更简单。

虽然我最熟的语言该算是JavaScript，但是由于这些网页都已经另存成档案，而且parsing完成的资料又要写入到文字档中，所以我就想Ruby来做这个工作。

Ruby是一个很有趣的语言，虽然我的程式开发经验相当少，但是接触过Ruby之后，还是被他魔幻般的语法和自由度给吸引住。当初是想玩玩Rails才摸Ruby，没想到Rails没继续玩下去，但是Ruby却一直吸引着我。

前阵子还直接用Ruby+Active Record+Sqlite写了一个命令列底下的小应用程式，蛮好玩的。

言归正传，虽然喜欢Ruby，但是毕竟应用时间短，也不知道怎么运用它来parsing DOM，这时就想到iT邦上的Ruby达人CFC，果然MSN给他之后，得到一个漂亮的答案。

Hpricot
Hpricot是基于Tanaka Akira(田中明?)的HTree和John Resig的JQuery选取语法而来的HTML parser，因此可以用XQuery语法和CSS的选取语法来取得DOM元素。

要安装Hpricot的话，只要用Ruby的gem即可。

gem install Hpricot

安装好之后，在程式档的开头先引用进来

require 'rubygems'
require 'hpricot'

这样就可以开始使用Hpricot了。

举一个最简单的例子，假设我要开启的文件档名是位于project资料夹中的1.html，然后要parsing的资料有个id叫bookTItle，透过下面两行就解决了。

doc = open("project/1.html")

result = doc.at('#bookTitle').innerText()

此外，我也可以操作DOM，例如更改某个<span>的class。

(doc/"span.newCopy").set("class", "hotSale")

另外如果你熟XQuery的语法，在抓特定dom上也很好用。

几个相关的link供大家参考。

官方网站
Hpricot 引导文件
Hpricot API
ihower写的介绍(中文)(比这里写的专业多了 :p)