Ruby-Nokogiriで取り出した要素を置き換える

Ruby の HTML パーサに Nokogiri があります。基本的な使い方は

とかを参考にしてもらえばいいんですが、パースした要素の特定の属性を置き換えたいとか追加で属性を追加したい時のメモです。

使い方は

gem install 'nokogiri'

require 'nokogiri'

doc = Nokogiri::HTML(html_text)

# 外部リンクに rel="external nofollow" と title 属性を付ける
doc.search('a[href^="http://"]', 'a[href^="https://"]').each do |link|
  link['rel'] = "#{link['rel']} external nofollow".strip
  link['title'] = link.text unless link.attr('title')
end
html_text = doc.css('body')[0].inner_html

Nokogiri に渡す HTML 文字列は <html> から始まる必要はなく、部分的な HTML 文字列でも OK です。

部分 HTML を置き換えた場合は、取り出しは doc.css('body')[0].inner_html になります。doc.to_html だと <!DOCTYPE html><html> から始まる文字列になってしまうので注意。

文字コードを指定する

Nokogiri は日本語に対応していますが、デフォルトで UTF-8 の文字エンコーディングになっているようです。なので Shift_JIS や EUC-JP の HTML を与えるとうまくパースできません。

そんな時は、次のようなコードで UTF-8 に変換してやれば OK です。

doc = Nokogiri::HTML(html_text, nil, 'utf-8')

文字コードを指定する

関連記事