如何根据 [r] 中的 NOT 条件解析 HTML/XML 标记

Question

最亲爱的 StackOverflow 兄弟们，

我正在使用 EverNote 输出的 HTML，需要解析以下内容：

• 备注标题
• 笔记锚点（笔记本身的超链接标识）
• 笔记创建日期
• 备注内容，以及
• 笔记本内的超链接（ 笔记内容中的链接到另一个笔记的锚点）

根据 [r] XML 包的作者和SO answer by @jdharrison 的作者examples by Duncan Temple Lang，我已经能够相对轻松地解析笔记标题、笔记锚点和笔记创建日期。对于那些可能感兴趣的人，这样做的命令是

require("XML")
rawHTML <- paste(readLines("EverNotebook.html"), collapse="\n") #Yes... this is noob code
doc = htmlTreeParse(rawHTML,useInternalNodes=T)
#Get Note Titles
html.titles<-xpathApply(doc, "//h1", xmlValue)
#Get Note Title Anchors
html.tAnchors<-xpathApply(doc, "//a[@name]", xmlGetAttr, "name")
#Get Note Creation Date
html.Dates<-xpathApply(doc, "//table[@bgcolor]/tr/td/i", xmlValue)

这是 HTML EverNote 导出示例的fiddle。

我一直在解析1。注意内容和2。笔记本内的超链接。

仔细查看代码，很明显第一部分的解决方案是返回每个不包含属性为 bgcolor="#D4DDE5" 的表的最上层* div。 这是如何实现的？

Duncan 说可以根据 NOT 条件使用 XPath 解析 XML：

“它允许我们表达诸如“找到所有名为 a 的节点”或“找到所有名为 a 且没有名为 b 的属性的节点”或“节点 a >具有等于 'bob' 的属性" 或 "找到所有节点 a 有 c 作为>一个祖先节点"

但是他没有继续描述 XML 包如何解析排除项......所以我被困在那里。

解决第二部分，考虑锚定到同一笔记本中其他笔记的格式：

<a href="#13178">

这些的目标是获取它们的编号，但这很困难，因为它们仅通过 # 前缀与 www 链接区分开来。关于如何通过部分匹配它们的值（在本例中为#）来解析这些特定锚点的信息很少——甚至可能需要 grep()。 如何使用 XML 包来解析这些特殊的 href？ 我在这里描述了这两个问题，因为第一部分的解决方案可能有助于第二部分......但也许我错了。 有什么建议吗？

更新 1

最上面的 div 我想说的是最外面的 div。 EverNote HMTL 导出中每个笔记的内容都在 DOM 最外层的 div 中。因此，感兴趣的是返回不包含属性为 bgcolor="#D4DDE5" 的表的每个最外层 div。

Answer 1

"....返回不包含属性为 bgcolor="#D4DDE5" 的表的每个最上面的 div。这是如何完成的？"

忽略“最上层”的一种可能方法，因为我不知道您将如何定义它：

//div[not(table[@bgcolor='#D4DDE5'])]

XPath 上方显示：选择所有没有子元素 <table> 且 bgcolor 属性等于 #D4DDE5 的 <div>。

我不确定你在问题的第二部分中所说的“解析”是什么意思。如果您只是想获得所有具有特殊href 的链接，您可以使用starts-with() 或contains() 部分匹配href 属性：

//a[starts-with(@href, '#')]

//a[contains(@href, '#')]

更新：

考虑到“最外层”的 div：

//div[not(table[@bgcolor='#D4DDE5']) and not(ancestor::div)]

旁注：我不确切知道 XPath not() 是如何定义的，但如果它通常像 negation 一样工作，（这已由 OP 确认在下面的评论中）您可以申请De Morgan's law 之一：

"not (A or B)" 与 "(not A) and (not B)" 相同。

这样更新后的 XPath 可以稍微简化为：

//div[not(table[@bgcolor='#D4DDE5'] or ancestor::div)]