XPath 如何从 html 文档中检索表格单元格的值

Question

我有一个 html 文档，文档内的某处位于表格下方，我可以获取表格行和 java DOM 对象。我不清楚的是，当值是字符串以及二进制资源时，如何提取表格单元格的值？

我正在使用如下代码：

  XPath xpath;
   XPathExpression expr;
   NodeList nodes=null;
   // Use XPath to obtain whatever you want from the (X)HTML
   try{

      xpath = XPathFactory.newInstance().newXPath();
      //<table class="data">

      NodeList list = doc.getElementsByTagName("table");
     // Node node = list.item(0); 
     //System.out.println(node.getTextContent());
    //String textContent=node.getTextContent();

    expr = xpath.compile("//table/tr/td");
    nodes = (NodeList)expr.evaluate(doc, XPathConstants.NODESET);

和循环喜欢：

     for (int i = 0; i < nodes.getLength(); i++) {

       Node ln = list.item(i);
       String lnText=ln.toString();
       NodeList rowElements=ln.getChildNodes();
       Node one=rowElements.item(0);

       String oneText=one.toString();
       String nodeName=one.getNodeName();
       String valOne = one.getNodeValue();

但我没有看到表中的值。

 <table class="data">
 <tr><td>ImageName1</td><td width="50"></td><td><img src="/images/036000291452" alt="036000291452" /></td></tr>
 <tr><td>ImageName2</td><td width="50"></td><td><img src="/images/36000291452" alt="36000291452" /></td></tr>
 <tr><td>Description</td><td></td><td>Time Magazine</td></tr>
 <tr><td>Size/Weight</td><td></td><td>14 Issues</td></tr>
 <tr><td>Issuing Country</td><td></td><td>United States</td></tr>
  </table>

Answer 1

这个 XPath 表达式：

/*/tr[1]/td[1]

选择作为所提供 XML 文档的顶部元素 (table) 的第一个 tr 子元素 (table) 的第一个子元素的 td 元素（在无命名空间中）。

XPath 表达式：

/*/tr[1]/td[2]

选择作为所提供 XML 文档的顶部元素 (table) 的第一个 tr 子元素 (table) 的第二个子元素的 td 元素（在无命名空间中）。

一般情况：

/*/tr[$m]/td[$n]

选择td 元素（在无命名空间中），它是提供的 XML 文档的顶部元素 (table) 的 $m-th tr 子元素的 $n-th 子元素。只需将 $m 和 $n 替换为所需的整数值即可。

您可以使用标准的 XPath 函数 string() 来获取它们的字符串值：

string(/*/tr[$m]/td[$n])

计算为 $n-th 子元素 $m-th tr 的顶部元素 (table) 的 td 元素（在无命名空间中）的字符串值提供的 XML 文档。

Answer 2

使用类似“string(//td)”的路径来获取每个单元格的字符串内容。对于链接资源，您需要使用“//td/img/@src”之类的内容来获取 URL，然后相对于源 url 规范化它们，并从网络中获取结果 URL。