解析糟糕的 HTML：如何使用 xpath 识别边界？答案

【问题标题】：Parsing awful HTML: How do I recognize boundaries with xpath?解析糟糕的 HTML：如何使用 xpath 识别边界？
【发布时间】：2015-08-07 11:19:38
【问题描述】：

这听起来几乎像是一个笑话，但我向你保证这是真实的生活。互联网上有一个网站，你们都用过，它不相信 css 类。一切都直接在元素的样式标签中定义。太可怕了。

但我的问题是它也使 html 非常难以解析。我必须继续的结构看起来像这样：

<td>
    <a name="<random_string>"></a>
    <div style="generic-style, used by other elements">
        <div style="similarly generic style">{some_stuff}</div>
    </div>
    <a name="<random_string>"></a>
    ...
</td>

基本上，我有这些a 标签构成了评论的边界，他们唯一的定义信息是他们名字的随机字符串。我实际上并不关心锚标签，但我想使用 xpath 获取它们之间的评论。

我研究了sibling queries，但它们似乎不太适合交替边界。我还研究了 xpath 查询的Kayessian method，它（除了有一个很棒的名字）似乎只适合抓取特定的 div，而不是锚标记之间的所有 div。

关于如何在这里获取 div 有什么想法吗？

【问题讨论】：

@JoshBurgess 谢谢你的慰问。猜猜是哪个网站？
应该是谷歌评论吧？
@JoshBurgess，不，西班牙亚马逊。
真的吗，西班牙亚马逊？谷歌也有同样的问题。不过，美国亚马逊的结构并非如此。无论如何，你有我的同情。
@JoshBurgess，是的，它似乎是唯一存在此问题的亚马逊替代语言版本。其余的都很合理。

标签： html css xpath

【解决方案1】：

如果//td/div[../a[@name]] 适合您，那么以下内容也应该可以：

//td[a/@name]/div

这样你就不需要来回走动——或者更确切地说是上下走动——。对于更具体的选择器，您可能需要尝试以下方法：

//td/div[preceding-sibling::*[1][self::a/@name]][following-sibling::*[1][self::a/@name]]

XPath 选择具有以下所有属性的div 元素：

td/div ：是<td> 元素的子元素
[preceding-sibling::*[1][self::a/@name]] : 在直接之前是 <a> 元素具有属性 name
[following-sibling::*[1][self::a/@name]] : 直接后跟<a> 元素具有name 属性

【讨论】：

【解决方案2】：

我想通了！事实证明，xpath 将允许相对属性断言。我不确定是否需要这种行为，但它恰好在这种情况下有效！这是 xpath：

//td/div[../a[@name]]

干净整洁，../a[@name] 基本上只是说：

上一层，并确保在该层次结构中存在一个具有 name 属性的 a 元素

【讨论】：

1) 这真的能解决您的问题吗？ - 任何div 与兄弟a，不考虑顺序或div 嵌套？ 2) 那么就和//td/a[@name]/../div一样。
@HannoBinder，这不是一个理想的解决方案，但它确实在技术上为我解决了问题。我不会接受它，因为我认为可能有更好的解决方案。这是...一个恰好可以工作的解决方案，而且看起来选择器是等效的。