我不确定这是语法问题还是版本差异,但我似乎无法解决这个问题.我想从h2标签中取出(非关闭)td内的数据到h3标签.以下是HTML的外观.

<td valign="top" width="350">
    <br><h2>NameIWant</h2><br>
    <br>Town<br>

    PhoneNumber<br>
    <a href="mailto:emailIwant@Nowhere.com">emailIwant@Nowhere.com</a>
    <br>
    <a href="http://websiteIwant.com">websiteIwant.com</a>
    <br><br>    
    <br><img src="images/spacer.gif"/><br>

    <h3><b>I want to stop before this!</b></h3>
    Lorem Ipsum Yadda Yadda<br>
    <img src="images/spacer.gif" border="0" width="20" height="11" alt=""/><br>
    <td width="25">
        <img src="images/spacer.gif" border="0" width="20" height="8" alt=""/>
        <td valign="top" width="200"><img src="images/spacer.gif"/>
            <br>
            <br>

            <table cellspacing="0" cellpadding="0" border="0"/>205"&gt;<tr><td>
                <a href="http://dontneedthis.com">
                </a></td></tr><br>
            <table border="0" cellpadding="3" cellspacing="0" width="200">
            ...

< td valign>直到页面的最底部才关闭,我认为这可能是我遇到问题的原因.

我的Ruby代码看起来像：

require 'open-uri'
require 'nokogiri'

@doc = Nokogiri::XML(open("http://www.url.com"))

content = @doc.css('//td[valign="top"] [width="350"]')

name = content.xpath('//h2').text
puts name // Returns NameIwant

townNumberLinks = content.search('//following::h2')
puts content // Returns <h2> NameIWant </h2>

据我所知,遵循语法应该“在当前节点的结束标记之后选择文档中的所有内容”.如果我尝试使用前面的：

townNumberLinks = content.search('//preceding::h3')
// I get: <h3><b>I want to stop before this!</b></h3>

希望我明确表达了我想要做的事情.谢谢！

这不是微不足道的.在您选择的节点(td)的上下文中,要获取两个元素之间的所有内容,您需要执行这两个集合的交集：

>集合A：第一个h3之前的所有节点：// h3 [1] / preceding :: node()
> Set B：第一个h2：// h2 [1] / following :: node()之后的所有节点

要执行交叉路口,您可以使用Kaysian method(Michael Kay之后,谁提出它).基本公式是：

A[count(.|B) = count(B)]

将它应用于您的集合,如上所定义,其中A = // h3 [1] / preceding :: node()和B = // h2 [1] / following :: node(),我们有：

//h3[1]/preceding::node()[ count( . | //h2[1]/following::node()) = count(//h2[1]/following::node()) ]

这将选择从第一个< br>开始的所有元素和文本节点.在< / h2>之后标记,到最后一个< br>之后的空白文本节点,就在下一个< h3>之前.标签.

您可以轻松选择h2和h3之间的文本节点,替换表达式中text()的node().这个将返回两个标头之间的所有文本节点(包括空格和换行符)：

//h3[1]/preceding::text()[ count( . | //h2[1]/following::text()) = count(//h2[1]/following::text()) ]

我有一些问题,没有< script>获取所有的html标签或者< script ... />使用Xpath.

例如,在HTML代码的这一部分中,我想删除：

<script type="text/javascript" src="http://www.google.com/coop/cse/brand?form=cse-search-Box&amp;lang=fr"/>

这个代码

<li><!-- Search Google -->
<center>
                     <form action="http://www.google.fr/cse" id="cse-search-Box" target="_blank">
                        <div>
                           <input type="hidden" name="cx" value="partner-pub-0959382714089534:mw3ssl65jk1"/>
                           <input type="hidden" name="ie" value="ISO-8859-1"/>
                           <input type="text" name="q" size="31"/>
                           <input type="submit" name="sa" value="Rechercher"/>
                        </div>
                     </form>
                     <script type="text/javascript"
                             src="http://www.google.com/coop/cse/brand?form=cse-search-Box&amp;lang=fr"/>
                  </center>
                  <!-- Search Google --></li>

我正在使用Web-Harvest生成一个xml文件,然后我必须删除一些特定标签.
我尝试了很多xpath(我正在使用html的主体)：

> // body // * [not(name()=’script’)]
> // body // * [not(self :: script)]
> // body // * [not(starts-with(name(),’script’))]
> // body // * [not(contains(name(),’script’))]

但它不起作用.

请注意// body // * [name()=’script’]正在工作,但我希望相反……

你有什么想法吗？

或者更常见,如果您知道如何删除所有< script> <脚本/>标签使用Xpath,我也有兴趣:-)

提前致谢.

首先,XPath选择现有文档中的节点,但不会删除它们.而你开始的路径// body // *选择body元素的所有子元素和后代元素.即使你现在添加一个像// body // * [not(self :: script)]这样的谓词,该路径仍然会选择像li和center元素这样的元素,这些元素本身不是脚本元素,但包含一个脚本元素.所以// body // * [not(self :: script)]是不选择任何非脚本元素的正确方法,但如果你想要删除脚本元素的原始中心元素,它就无济于事.这不是纯XPath可以为您做的事情,您需要转移到XSLT来转换文档,这样就可以删除任何脚本元素.

<div>
    <dt>
        Test 1
    </dt>
    <dd>
    </dd>
    <dt>
        Test 2
    </dt>
    <dd>
    </dd>
</div>

到目前为止我已经编写了这个XPath

//dt[contains(text(),"Test")]/self::dt|following-sibling::dd

但这并没有带来dt和dd,只是dt.

如果它必须是单个XPath 1.0表达式,那么你将不得不说

//dt[contains(.,'Test')] | //dt[contains(.,'Test')]/following-sibling::dd[1]

最后的[1]很重要,因为没有它会提取所有dd元素,这些元素遵循包含“测试”的dt,即给出

<div>
    <dt>
        Test 1
    </dt>
    <dd>
        Foo
    </dd>
    <dt>
        Something else 2
    </dt>
    <dd>
        Bar
    </dd>
</div>

没有[1]的版本将匹配三个节点,dt包含“Test 1”以及“Foo”和“Bar”dd元素.使用[1],您将只能正确地获得“Test 1”和“Foo”.

但是,根据您使用XPath的确切方式,首先选择可能会更清楚

//dt[contains(.,'Test')]

然后迭代匹配的节点,并进行评估

. | following-sibling::dd[1]

依次在每个节点的上下文中.

<a href="javascript:void(0)" title="home">
    <span>Maybe more text here</span>
    Home
</a>

因此,对于上面的代码,当我将// a编写为XPath时,它会突出显示,但是当我编写// a [contains(text(),’Home’)]时,它不会突出显示.我认为这很简单,应该有效.

哪里是我的错？

其他答案错过了这里的实际问题：

>是的,你可以在@title上匹配,但这不是OP的原因
XPath在以前可能已经运行的地方失败了.
>是的,XML和XPath区分大小写,所以Home不一样
home,但是有一个Home文本节点作为a的子节点,所以OP就是
如果他不相信@title出席,则有权使用Home.

真正的问题

OP的XPath,

//a[contains(text(),'Home')]

说要选择第一个文本节点包含子串Home的所有元素.然而,第一个文本节点只包含空格.

说明：text()选择上下文节点的所有子文本节点,a.当contains()被赋予多个节点作为其第一个参数时,它将获取第一个节点的字符串值,但Home出现在第二个文本节点中,而不是第一个节点.

相反,OP应该使用这个XPath,

//a[text()[contains(.,'Home')]]

表示选择所有带有字符串值包含子字符串Home的文本子元素的元素.

如果没有周围的空格,则可以使用此XPath来测试相等而不是子字符串包含：

//a[text()[.='Home']]

或者,对于周围的空白,可以使用此XPath将其修剪掉：

//a[text()[normalize-space()= 'Home']]

也可以看看：

> Testing text() nodes vs string values in XPath
> Why is XPath unclean constructed? Why is text() not needed in predicate?
> XPath: difference between dot and text()