前陣子有一個需求，要從5、60個網頁檔中，抓出需要的資訊。

我稍稍看了一下這些網頁檔原始碼，結構大概是大同小異，而且需要的資料，都有使用id來標示，因此我想於其直接去parse文字，不如透過DOM來抓會更簡單。

雖然我最熟的語言該算是JavaScript，但是由於這些網頁都已經另存成檔案，而且parsing完成的資料又要寫入到文字檔中，所以我就想Ruby來做這個工作。

Ruby是一個很有趣的語言，雖然我的程式開發經驗相當少，但是接觸過Ruby之後，還是被他魔幻般的語法和自由度給吸引住。當初是想玩玩Rails才摸Ruby，沒想到Rails沒繼續玩下去，但是Ruby卻一直吸引著我。

前陣子還直接用Ruby+Active Record+Sqlite寫了一個命令列底下的小應用程式，蠻好玩的。

言歸正傳，雖然喜歡Ruby，但是畢竟應用時間短，也不知道怎麼運用它來parsing DOM，這時就想到iT邦上的Ruby達人CFC，果然MSN給他之後，得到一個漂亮的答案。

Hpricot
Hpricot是基於Tanaka Akira(田中明?)的HTree和John Resig的JQuery選取語法而來的HTML parser，因此可以用XQuery語法和CSS的選取語法來取得DOM元素。

要安裝Hpricot的話，只要用Ruby的gem即可。

gem install Hpricot

安裝好之後，在程式檔的開頭先引用進來

require 'rubygems'
require 'hpricot'

這樣就可以開始使用Hpricot了。

舉一個最簡單的例子，假設我要開啟的文件檔名是位於project資料夾中的1.html，然後要parsing的資料有個id叫bookTItle，透過下面兩行就解決了。

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

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

此外，我也可以操作DOM，例如更改某個<span>的class。

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

另外如果你熟XQuery的語法，在抓特定dom上也很好用。

幾個相關的link供大家參考。

官方網站
Hpricot 引導文件
Hpricot API
ihower寫的介紹(中文)(比這裡寫的專業多了 :p)