使用 XPath 查询 HTML 文档

Question

我有一个 HTML 文档，我想使用 C# 和 XPath 进行查询。我正在寻找的是一个 XPath 表达式——而不是 XSLT、C#、PHP 或任何其他特定于语言的代码示例。任何帮助将不胜感激，但我只需要 XPath 表达式:)。

<tr>
  <td>
    <p>
      <span>text</span>
    </p>
  </td>
  <td>
    <p>
      <span>text</span>
    </p>
  </td>
</tr>
<tr>
  <td>
    <p>
      <span>This text is static and will never change</span>
    </p>
  </td>
  <td>
    <p>
      <span>Bla bla bla .... more bla bla bla</span>
    </p>
  </td>
</tr>
<tr>
  <td>
    <p>
      <span>text</span>
    </p>
  </td>
  <td>
    <p>
      <span>text</span>
    </p>
  </td>
</tr>

我正在寻找的 XPath 表达式将提取当前由字符串实例“Bla bla bla .... more bla bla bla”表示的文本。这个文本会因 HTML 文档而异，但一个字符串总是相同的。在这种情况下，该字符串表示为“此文本是静态的，永远不会改变”。

“此文本是静态的，永远不会改变”和“Bla bla bla .... more bla bla bla”当然不是真正的字符串 - 我替换了它们，因为它们是特定于域的，与问题无关，并且它们揭示了不得显示的敏感数据！

再次，我们将不胜感激任何帮助。谢谢。

Answer 1

使用：

/*/tr[2]/td[2]/p/span/text()

当针对以下 XML 文档（通过将提供的格式错误的 HTML 转换为格式正确的 XML 文档获得）评估此 XPath 表达式时：

<table>
    <tr>
        <td>
            <p>
                <span>text</span>
            </p>
        </td>
        <td>
            <p>
                <span>text</span>
            </p>
        </td>
    </tr>
    <tr>
        <td>
            <p>
                <span>Some text</span>
            </p>
        </td>
        <td>
            <p>
                <span>text to extract</span>
            </p>
        </td>
    </tr>
    <tr>
        <td>
            <p>
                <span>text</span>
            </p>
        </td>
        <td>
            <p>
                <span>text</span>
            </p>
        </td>
    </tr>
</table>

根据需要选择值为"text to extract"的文本节点。

基于 XSLT 的验证：

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output omit-xml-declaration="yes" indent="yes"/>
 <xsl:strip-space elements="*"/>

 <xsl:template match="node()|@*">
     "<xsl:copy-of select="/*/tr[2]/td[2]/p/span/text()"/>"
 </xsl:template>
</xsl:stylesheet>

当此转换应用于同一个 XML 文档（如上）时，将评估 XPath 表达式并将此评估的结果复制到输出中：

"text to extract"

或者，如果您知道文本但想选择包含它的元素（例如td），则使用：

//text()[. = 'text to extract']/ancestor::td[1]

再次使用基于 XSLT 的验证：

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output omit-xml-declaration="yes" indent="yes"/>
 <xsl:strip-space elements="*"/>

 <xsl:template match="node()|@*">
     <xsl:copy-of select=
      "//text()[. = 'text to extract']/ancestor::td[1]"/>
 </xsl:template>
</xsl:stylesheet>

现在的结果是：

<td>
   <p>
      <span>text to extract</span>
   </p>
</td>

还有一个猜测：

如果你想找到最近的 preceding 文本节点，那么使用：

//text()[. = 'text to extract']/preceding::text()[1]

基于 XSLT 的验证：

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output omit-xml-declaration="yes" indent="yes"/>
 <xsl:strip-space elements="*"/>

 <xsl:template match="node()|@*">
     "<xsl:copy-of select=
      "//text()[. = 'text to extract']/preceding::text()[1]"/>"
 </xsl:template>
</xsl:stylesheet>

结果：

"Some text"

更新：

在OP的最新更新和他的新解释之后，他正在寻找的XPath表达式是：

//text()[. = 'This text is static and will never change']/following::text()[1]

这会选择带有字符串值的文本节点：

"Bla bla bla .... more bla bla bla"