使用 Text.XML.Cursor 获取特定的 HTML 表格列答案

【问题标题】：Using Text.XML.Cursor to get specific HTML table column使用 Text.XML.Cursor 获取特定的 HTML 表格列
【发布时间】：2017-10-27 23:38:56
【问题描述】：

我正在尝试使用 Haskell 和 Text.XML.Cursor 包解析 HTML 页面。我的目标是返回列表中的第三列值。我花了最后 4 个小时试图让它工作。但是，我似乎无法理解 XPath 和 Text.XML.Cursor 在概念上的工作原理。

所以任务是：

在文档的某处找到<table class="forumTable">标签
对于其中的每个<tr> 标签，取第三个 <td> 标签
在单元格内有一个<a> 标签，content 我想将其添加到列表中。不是href 属性，而是<a> 和</a> 之间的值

具体来说，我正在解析this link，并尝试获取带有论坛名称的列的值（主题之后的下一个）。

这是我所能得到的。似乎正在返回表格内<a>标签的所有内容

findNodes :: Cursor -> [Cursor]
findNodes = element "table" >=> attributeIs "class" "forumTable" &// element "tr" &/ element "td" &/ element "a" >=> child
extractData = T.concat . content
...
let cursor = fromDocument $ parseLBS $ simpleHTTP "http://www.sql.ru/forum/sqlru-3-days/2"
let lines = cursor $// findNodes &| extractData

我正在寻求解决我的问题以及解释这一切如何运作的方法。谢谢。

【问题讨论】：

标签： html parsing haskell xpath xml-parsing

【解决方案1】：

我想通了！

考虑以下输入文件：

<html>
  <head>
    <title>Haskell XML Parsing Example</title>
  </head>
  <body>
    <table class="forumTable">
      <tbody>
        <tr>
          <td> <a href="#1">1</a> </td>
          <td> <a href="#2">2</a> </td>
          <td> <a href="#3">3</a> </td>
          <td> <a href="#4">4</a> </td>
        </tr>
        <tr>
          <td> <a href="#5">5</a> </td>
          <td> <a href="#6">6</a> </td>
        </tr>
        <tr>
          <td> <a href="#7">7</a> </td>
          <td> <a href="#8">8</a> </td>
          <td> <a href="#9">9</a> </td>
          <td> <a href="#10">10</a> </td>
          <td> <a href="#11">11</a> </td>
        </tr>
      </tbody>
    </table>
  </body>
</html>

还有 Haskell 代码：

{-# LANGUAGE OverloadedStrings #-}

import qualified Data.Text.IO as T
import Text.XML.Cursor
import Text.XML

select3rd :: Name -> Axis
select3rd name =
    helper . (child >=> element name)
  where
      helper (_:_:x:_) = [x]
      helper _         = []

findNodes :: Cursor -> [Cursor]
findNodes =
    element "table" >=> attributeIs "class" "forumTable"
        &// element "tr" >=> select3rd "td"
        &/ element "a"

main :: IO ()
main = do
    doc <- Text.XML.readFile def "res/test.html"
    let cursor = fromDocument doc
    mapM_ T.putStrLn (cursor $.// findNodes &/ content)

您需要一些时间才能了解所有这些运算符（$.//、&/ 等）的工作原理，但在阅读了几次 documentation 并使用它们之后，情况会变得更好。另外，我建议仔细阅读解释 Cursor 和 Axis 是什么的部分。

上面的代码工作如下（教学）。首先，我们使用提供的库函数将main 和cursor 放入文档的根目录。然后我们将cursor、findNodes 和content 组合在一起。运算符$.// 意味着findNodes 必须在当前游标(cursor) 及其所有后代的上下文中运行。换句话说，它仅仅意味着findNodes 将可以访问整个 HTML 树。试一试并使用$/ 而不是$.//。您会注意到findNodes 使用element "table" 找不到<table> 元素，因为<table> 不在<html> 的正下方（这是cursor 当前指向的位置）。然后，在findNodes 中，我们使用>=> 运算符组合element "table" 和attributeIs "class" "forumTable"，因为右侧（rhs）中的函数必须在左侧（lhs）返回的Axis 上执行。

之后，我们使用&// 运算符过滤<table> 内的后代<tr>s。和以前一样，如果我们只使用&/，将找不到<tr>s，因为有一个封闭的<tbody> 标签，而&/ 只查看直接后代（或子代）。请注意，当我们在 lhs 中有 Cursor 时，运算符以 $ 开头，而当我们有 Axis 时，它们以 & 开头。最后，我们有select3rd 轴，它允许在节点的第三个子节点存在时对其进行命名选择。我们使用它来选择每个<tr> 中的第三个<td>。 Hopepully，到目前为止，应该很容易理解它是如何工作的。

您问题中的代码在findNodes 的末尾调用了child，它使用>=> 运算符。只要您还将content 之前的&/ 更改为>=>，就可以保留该调用（两种实现是等效的）。

【讨论】：

谢谢！没想到您可以像使用列表一样使用轴！