1

我正在尝试为 Digikey 编写一个屏幕刮板，这将使我们公司能够在零件停产时准确跟踪定价、零件可用性和产品更换。我在 Chrome Devtools 中看到的 XPATH 以及在 Firefox 上看到的 Firebug 与我的 C# 程序看到的似乎存在差异。

我目前正在抓取的页面是http://search.digikey.com/scripts/DkSearch/dksus.dll?Detail&name=296-12602-1-ND

我目前使用的代码非常快速和肮脏......

   //This function retrieves data from the digikey
   private static List<string> ExtractProductInfo(HtmlDocument doc)
   {
       List<HtmlNode> m_unparsedProductInfoNodes = new List<HtmlNode>();
       List<string> m_unparsedProductInfo = new List<string>();

       //Base Node for part info
       string m_baseNode = @"//html[1]/body[1]/div[2]";

       //Write part info to list
       m_unparsedProductInfoNodes.Add(doc.DocumentNode.SelectSingleNode(m_baseNode + @"/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]"));
       //More lines of similar form will go here for more info
       //this retrieves digikey PN

       foreach(HtmlNode node in m_unparsedProductInfoNodes)
       {
           m_unparsedProductInfo.Add(node.InnerText);
       }

       return m_unparsedProductInfo;
   }

虽然我使用的路径似乎是“正确的”，但当我查看列表“m_unparsedProductInfoNodes”时，我一直得到 NULL

知道这里发生了什么吗？我还要补充一点，如果我在 baseNode 上执行“SelectNodes”，它只会返回一个 div，其中唯一重要的子节点是“cs=####”，这似乎因浏览器用户代理而异。如果我无论如何都尝试使用它（将 /cs=0 放在无法识别的浏览器的路径中），它会坚持认为我的表达式不会评估为节点集，但留下它们仍然会留下所有数据过去的问题div[2] 返回为 NULL。

4

2 回答 2

0

只是为了更新：

我从 c# 切换到更友好的 Python（我的编程经验是 asm、c 和 python，整个 OO 是全新的）并设法纠正了我的 xpath 问题。标签确实是问题，但幸运的是它是独一无二的，所以一点正则表达式和一条删除线，我的状态很好。我不确定为什么这样的标签会破坏 XPATH。如果有人有一些见解，我想听听。

于 2010-03-26T19:07:12.853 回答
0

尝试使用这个 XPath 表达式：

/html[1]/body[1]/div[2]/cs=0[1]/rf=141[1]/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]

在 Firefox 中使用 Google Chrome 开发人员工具和 Firebug，似乎网页在第一个表之前有一个“cs”和“rf”标签。就像是：

<cs="0">
  <rf="141">
    <table>
    ...
    </table>
  </rf>
</cs>

当您想要解析已知的HTML 文件并且您没有得到预期的结果时，了解正在发生的事情可能会很有用。在这种情况下，我只是做了：

string xpath = "";

//In this case I'll get all cells and see what cell has the text "296-12602-1-ND"

foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//td"))
{
    if (node.InnerText.Trim() == "296-12602-1-ND")
        xpath = node.XPath; //Here it is
}

或者您可以在文档加载后调试您的应用程序，并遍历每个子节点，直到找到要从中获取信息的节点。如果你只是在找到 InnerText 的时候设置断点，你可以只通过父母，然后继续寻找其他节点。我通常会在“监视”窗口中手动输入命令并使用树视图导航以查看属性、属性和子项。

于 2010-03-25T02:33:09.987 回答