Nokogiri 是 Ruby 中基于 libxml2 的高性能 HTML/XML 解析库，支持 CSS 选择器与 XPath；用 Nokogiri::HTML 解析容错 HTML，Nokogiri::XML 解析严格 XML；推荐优先使用 css/at_css 提取元素，XPath 适用于复杂定位；注意编码转换以防中文乱码。

Nokogiri 是 Ruby 中最成熟、最常用的 HTML/XML 解析库，它底层基于 libxml2（和 libxslt），速度快、稳定性高，支持 CSS 选择器和 XPath，语法简洁直观。

加载 HTML 或 XML 文档

用 Nokogiri::HTML 解析 HTML（自动修复不规范标签），用 Nokogiri::XML 解析严格 XML（遇到格式错误会报错）：

• doc = Nokogiri::HTML(html_string)
• doc = Nokogiri::HTML(File.open("page.html"))
• doc = Nokogiri::XML(xml_string)
• doc = Nokogiri::XML(File.read("data.xml"))

如果不确定输入是否严格合规，又想解析 XML 内容，可用 Nokogiri::HTML.fragment 提取片段，或加选项 strict: false 容错。

用 CSS 选择器提取元素

这是最常用的方式，写法接近前端开发习惯：

• doc.css("h1") → 所有

  元素

• doc.css(".title") → class="title" 的元素
• doc.css("div#main a[href]") → main div 内带 href 的链接
• doc.at_css("meta[name='description']") → 第一个匹配元素（返回 Node，不是 NodeSet）

注意：css 返回 Nokogiri::XML::NodeSet（可遍历的集合），at_css 返回单个 Node 或 nil，适合取标题、摘要等唯一内容。

用 XPath 提取更复杂结构

XPath 更强大，适合嵌套定位、条件判断、位置索引等：

• doc.xpath("//ul[@class='nav']/li[1]/a/text()") → 导航栏第一个链接文字
• doc.xpath("//*[contains(@class, 'price')]") → class 含 price 的任意元素
• doc.at_xpath("//img/@src")&.value → 第一张图片的 src 属性值

XPath 表达式里属性用 @attr，文本内容用 text()，注意返回的是 NodeSet，取值需调用 .text、.[] 或 &.value 等方法。

读取属性、文本与修改内容

拿到 Node 后，常用操作包括：

• node.text → 去除标签的纯文本（含子节点文本）
• node.content → 同 text，但不合并空白
• node['href'] 或 node.attr("href") → 读取属性
• node.set_attribute("class", "new-class") → 修改属性
• node.inner_html = "new" → 替换内部 HTML
• node.remove → 删除该节点

批量处理时，通常配合 each 遍历 NodeSet，例如：doc.css("script").remove 可一键清除所有 script 标签。

不复杂但容易忽略：Nokogiri 默认使用 UTF-8 编码，若源文档是 GBK、Shift-JIS 等，需先转码再解析，否则中文可能乱码。可用 string.encode!("UTF-8", "GBK", invalid: :replace) 预处理。