2

跟进：HTML XPath：提取与多个标签混合的文本？

我让我的测试用例变得更加困难：

<div id="mw-content-text"><h2><span class="mw-headline" >CIA</span></h2>
<ol>
<li><small>Military</small> Central <a href="/Intelligence_Agency.html">Intelligence Agency</a>.</li>
<li>Culinary <a href="/Institute.html">Institute</a> of <a href="/America.html">America</a>.<br/>Renowned cooking school.</li>
</ol>

</div>

我有相同的目标，即提取：

  • 中央情报局
  • 美国烹饪学院

我可以选择性地选择排除哪些标签吗？

我已经尝试过（用于删除“军事”）：

id('mw-content-text')/ol/li[not(self::small)]

但该条件适用于整个“li”节点，因此不受影响。

如果我做类似的事情

id('mw-content-text')/ol/li/*[not(self::small)]

然后我只过滤孩子，即使我成功地扔掉了“军事”，我也扔掉了“中央”、“烹饪”，即来自父母的文字。

我已经理解树是这样的：

div -- li  
          -- small -- Military  
          -- Central  
          -- a     -- Intelligence Agency  
    -- li  
          -- Culinary  
          -- a     -- Institute  
          -- of  
          -- a    -- America  
          -- br  
          -- Renowned cooking school.

那是对的吗？有没有办法说“li 的文本元素和 li 的后代，除了 small 的后代？” '...除了 br 元素和所有后续文本元素'怎么样？

同样，使用（部分）Pythonic 解决方案也是可以接受的，但首选 XPath。

在坐下来阅读 Erik Ray 的“Learning XML, Second Edition”的第 6 章“XPath 和 XPointer”之后，我想我已经掌握了它。我想出了以下公式：

id('mw-content-text')/ol/li//text()[not(parent::small) and not(preceding-sibling::br)]

在这种情况下，似乎不可能连接文本节点的结果节点集。当我们简单地将“li”元素提供给字符串函数时，生成的字符串值只是元素节点 li 的后代的串联。但是在这种情况下，我们需要做进一步的过滤，这样我们就会得到一个节点集（符合条件的文本节点）而不是单个元素节点。关于连接节点集，可以在此处找到一个有用的 SO 问题：XPath to return string concatenation of qualifying child node values

任何建议如何改进此解决方案？

4

1 回答 1

2

使用：

 /*/ol/li/descendant-or-self::*
          [text() and not(self::small)]
              /text()[not(preceding-sibling::br)]
于 2012-05-17T13:07:47.437 回答