Indholdsfortegnelse:
Video: Web Scraping with Nokogirl/Kimono by Robert Krabek 2025
Dichotomien mellem lineær tænkning og holistisk tænkning adskiller (henholdsvis) SAX fra DOM.
SAX (Simple API for XML) behandler et XML-dokument lineært og arbejder gennem et dokument stykke fra stykke fra begyndelsen til slutningen. Men med DOM (Document Object Model), hopper du ind og kigger på hele dokumentet. Lidt senere zoomer du ind på rodelementet og fokuserer derefter nærmere på et element i rodelementet. I nogle situationer er hoppe i, hvad du skal gøre.
DOM-noder
Med DOM tænker du på et XML-dokument som flere noder . Eksempler på noder omfatter elementer, attributter, kommentarer og tegnene mellem et par start- og slutkoder. Et hele XML-dokument er i sig selv en node. Alt i alt kan et XML-dokument have 12 forskellige typer noder.
Nødder af et træ
Tilsammen danner alle DOM-noderne i et XML-dokument et træ. Tag f.eks. Dokumentet i Listing 1. Dette dokuments DOM-træ ligner træet vist i Figur 1.
Liste 1: Anchovy Lovers Club
Grundlægger, præsident, sekretær, publicitetschef
Træet har elleve noder. For at tælle dem, start med at tælle træets grene (vist bekvemt i figur 1). Herefter tæller medlemsafdelingen for fornavn = "Herbert" en anden gang. (Denne fil har to DOM noder på den. Elementet hedder Medlem er en node, og elementets attribut firstname = "Herbert" er en node.)
En afhandling på træer
Der er et par ting, du vil opdage ved at stirre på træet i figur 1.
- Nogle noder er børn af andre knuder. Medlemskoden er for eksempel et barn i AnchovyLoversClub-noden. Det skyldes, at i medlemskab 1 er medlemelementet nestet inde i elementet AncoverLoversClub.På samme måde er den stående knude et barn i medlemskoden. Denne familie analogi fortsætter igen og igen. Medlemsknudepunktet er forælder af stående node, og AncoverLoversClub er moderen til medlemskoden.
- Hele dokumentet er en node. Dette er et vigtigt punkt, og det er let at glemme. I liste 1 er dokumentets rodelement AnchovyLoversClub. Men i figur 1 er navnet AnchovyLoversClub ikke øverst på træet. I stedet er ordet #document øverst på træet.Et DOM-træs øverste node repræsenterer et hel XML-dokument. Fejl opstår, når programmører mener, at dokumentets rodelement starter træet.(Det gør det ikke.)
- Kommentarer og stykker af tekst er noder. I figur 1 er kommentaren en børneknude for dokumentknuden. Det skyldes, at i kommentar 1 er kommentaren en del af dokumentet. Kommentaren er ikke nestet inde i noget af dokumentets elementer.Endnu en gang spiller vi slægtsforskning. Vi siger, at #documentnoden har to børn - en kommentar node og en AnchovyLoversClub node. Disse to noder - kommentaren og AnchovyLoversClub - kaldes søskende .Også i figur 1 er teksten Grundlægger, Præsident, Sekretær, Publicity Manager en del af en node. I Liste 1 er teksten Grundlægger, Præsident, Sekretær, Publicity Manager inde i Stående elementet. Så i figur 1 er denne tekstknude et barn i den stående knude.
- Selv negativ tekst er en del af en node. I henhold til figur 1 har AnchovyLoversClub-node tre direkte barnnoter - to noder mærket #text og et andet node-mærket medlem. Det skyldes, for så vidt angår DOM, AnchovyLoversClub-noden har tre ting i den.
Vognretur og tre emner
Medlemselement
Vognretur
-
Situationen er illustreret i figur 2.
-
De tre Børnenes medlemsknap - to stykker af hvide rum og et stående element - er alle søskende.Bemærk nu prikkerne og [cr] i figur 1 og 2. I trædiagrammet repræsenterer en prik et tomrum, og [cr] repræsenterer et vognretur. Med DOM begynder alle de uhyggelige hvide rum mellem AnchovyLoversClub-taggen og medlemstarttaggen en knude. Fra den vinkelbeslag, der afslutter AnchovyLoversClub start-mærket, går du til næste linje, og så har du tre tomme mellemrum inden vinkelbeslaget, der åbner medlemstartet. Alle de ting er en DOM knudepunkt.
- Slutkoder er ikke noder. Med SAX kan du tænke på at starte medlemskabet, og senere afslutte medlemselementet. I DOM tror du ikke på denne måde. I stedet besøger du medlemelementet kun en gang. Inden for dette besøg besøger du det stående element og en del tekst. DOM har ingen metode svarende til SAX endElement-metoden.
