使用 XPath 选择特定表答案

【问题标题】：Selecting a specific table with XPath使用 XPath 选择特定表
【发布时间】：2010-10-27 06:12:56
【问题描述】：

我有一个 XHTML 文档，我想选择其中唯一具有 class="index" 的表。

如果我理解正确，后代轴将选择所有从当前节点直接和间接下降的节点，所以这就是我所得到的。

//descendant::table[@class="index"]

使用 xmlstarlet 进行测试时，它似乎无法正常工作。是我的工具坏了，还是 XPath 表达式错误？

【问题讨论】：

如果您发布示例输入，我们可以确定该工具是否损坏。（例如，您可能需要使用命名空间前缀。）一个快速说明，//descendant:: 是多余的。在这种情况下，使用 /descendant::table（只有一个斜杠）或简单地使用 //table。 “//”是“/descendant-or-self::node()/”的简写
metacritic.com/film/highscores.shtml 就是这样一个例子，但它必须通过 Tidy 和其他一些调整才能准备好 XSLT。
调整是否包括添加 XHTML 命名空间声明？在 XPath 中，如果要按名称选择使用命名空间的节点，则必须声明命名空间（并在表达式中使用前缀）。

【解决方案1】：

我认为//table[@class="index"]是你想要的

【讨论】：

【解决方案2】：

根据您的示例页面 (metacritic.com/film/highscores.shtml)，我会说您需要使用：

//TABLE[@CLASS="index"] 
(or /descendant::TABLE[@CLASS="index"])

这是因为带有 CLASS 索引的 TABLE 在您的示例页面上以大写形式写入（XML 和 XPath 区分大小写）。

如果您针对特定页面，这将起作用，但如果不同页面对相同的 html 标签使用不同的大小写，则可能会成为问题。

那你需要一个像这样的可憎之物

//TABLE[@CLASS="index" or @class="index" or @Class="index" or ...]
|//table[@CLASS="index" or @class="index" or ...]
|...

因此，您可能需要在提取信息之前继续使用 Tidy，或者切换到专门用于 HTML 抓取的工具（而不是 XPath）

【讨论】：

确实，tidy 是该过程的一部分，但它会处理一些格式不佳的 HTML，这些 HTML 会将 td 放入表单中。我已经有了一个基于 BeautifulSoup 和 uTidy 的几乎可以工作的版本；我认为下一步是弄清楚如何通过 tidy 或 sed 修复丑陋的表单。

【解决方案3】：

是的，descendant 轴选择从上下文节点降序的所有节点。但这里的关键是上下文节点。

例如，descendant::span 将检索当前节点的所有 span 后代。同样，descendant::* 将检索当前节点的所有后代元素。

如果您需要匹配表和子表，您提供的 XPath 在我的测试期间可以正常工作：

//descendant::table[@class="index"]

...选择表本身和子节点。

如果只需要匹配表的孩子，先匹配你想要的节点再匹配它的后代：

//table[@class="index"]/descendant::*

.. 仅选择表的子节点。

【讨论】：

【解决方案4】：

使用此代码

   let $info :=($p//descendant::TABLE[@class="index"])
        return $info

【讨论】：