3

我有一个大致如下形状的文件：

<?xml version="1.0" encoding="UTF-8"?>
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN"
    "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="en" lang="en">
 <head>
  <title></title>
  <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
  <meta name='ocr-system' content='tesseract 3.02' />
  <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word'/>
 </head>
 <body>
  <div class='ocr_page' id='page_1' title='image "D:\DPC2\converted\60\60.tiff"; bbox 0 0 2479 3508; ppageno 0'>
       <!-- LOTS OF CONTENT -->
  </div>
 </body>
</html>

然后我将 JDOM 2.x 与以下 XPath 查询一起使用：

//htmlFile is an input variable of type java.nio.Path
Document document = xmlBuilder.build(htmlFile.toFile());

XPathFactory factory = XPathFactory.instance();
XPathExpression<Element> xpePages = 
    factory.compile("//html/body/div[@class='ocr_page']", Filters.element());
List<Element> pages = xpePages.evaluate(document);

但它永远无法找到任何元素，我在查询中做错了什么？

4

2 回答 2

4

命名空间。

这xmlns="http://www.w3.org/1999/xhtml"意味着 XML 文件中没有前缀的元素实际上位于http://www.w3.org/1999/xhtml命名空间中，您需要在 XPath 表达式中使用前缀指定这一点：

XPathExpression<Element> xpePages = 
    factory.compile("/h:html/h:body/h:div[@class='ocr_page']",
                    Filters.element(),
                    null, // no variables
                    Namespace.getNamespace("h", "http://www.w3.org/1999/xhtml"));

您必须使用前缀，因为在 XPath 中没有前缀总是意味着没有命名空间。

于 2014-04-30T10:29:28.423 回答
2 
<html xmlns="http://www.w3.org/1999/xhtml"

表示类似元素html在命名空间中http://www.w3.org/1999/xhtml

你有几个前进的方向

 //*[local-name()=='html' and namespace-uri()='http://www.w3.org/1999/xhtml']
 /*[local-name()='body' and namespace-uri()='http://www.w3.org/1999/xhtml']
 /* ... etc.

如果你确信元素的命名空间没有冲突，你可以选择使用 justlocal-name()

//*[local-name()=='html']/*[local-name()='body']* ...
于 2014-04-30T10:30:24.570 回答