XPATH 获取所有没有 <script> 和 </script> 标签的标签答案

【问题标题】：XPATH getting all tags without <script> and </script> tagsXPATH 获取所有没有 <script> 和 </script> 标签的标签
【发布时间】：2011-04-20 09:23:30
【问题描述】：

我在使用 Xpath 获取没有 <script> 或 <script ... /> 的所有 html 标签时遇到问题。

例如，在这部分 HTML 代码中，我想删除：

<script type="text/javascript" src="http://www.google.com/coop/cse/brand?form=cse-search-box&amp;lang=fr"/>

对于这个代码

<li><!-- Search Google -->
<center>
                     <form action="http://www.google.fr/cse" id="cse-search-box" target="_blank">
                        <div>
                           <input type="hidden" name="cx" value="partner-pub-0959382714089534:mw3ssl65jk1"/>
                           <input type="hidden" name="ie" value="ISO-8859-1"/>
                           <input type="text" name="q" size="31"/>
                           <input type="submit" name="sa" value="Rechercher"/>
                        </div>
                     </form>
                     <script type="text/javascript"
                             src="http://www.google.com/coop/cse/brand?form=cse-search-box&amp;lang=fr"/>
                  </center>
                  <!-- Search Google --></li>

我正在使用 Web-Harvest 生成一个 xml 文件，然后我必须删除一些具体的标签。我尝试了很多 xpath（我在 html 正文中工作）：

//body//*[not(name() = 'script')]
//body//*[not(self::script)]
//body//*[not(starts-with(name(),'script'))]
//body//*[not(contains(name(),'script'))]

但它不起作用。

请注意 //body//*[name() = 'script'] 正在工作，但我想要相反...

你有什么想法吗？

或者更笼统地说，如果您知道如何使用 Xpath 删除所有 <script> <script/> 标签，我也有兴趣:-)

提前致谢。

【问题讨论】：

好问题，+1。请参阅我的回答，了解为什么仅使用 XPath 无法实现这一点，以及完整、简短且简单的 XSLT 解决方案。 :)

标签： html xpath tags

【解决方案1】：

首先，XPath 选择现有文档中的节点，它不会删除它们。并且您的路径 //body//* 您从选择 body 元素的所有子元素和后代元素开始。即使您现在添加像 //body//*[not(self::script)] 这样的谓词，该路径仍然会选择像 li 和 center 元素这样的元素，它们本身不是 script 元素，但包含 script 元素。所以//body//*[not(self::script)] 是不选择任何非script 元素的正确方法，但如果您想要删除script 元素的原始center 元素，它也无济于事。这不是纯 XPath 能为您做的事情，您需要转移到 XSLT 来转换文档，然后删除任何 script 元素。

【讨论】：

【解决方案2】：

XPath 只是 XML 文档的一种查询语言，因此它不能以任何方式改变正在查询的 XML 文档。

生成不同于初始 XML 文档的新 XML 文档最方便的方法是使用 XSLT。

这个简短的 XSLT 转换：

<xsl:stylesheet version="1.0"
 xmlns:xsl="http://www.w3.org/1999/XSL/Transform">
 <xsl:output omit-xml-declaration="yes" indent="yes"/>
 <xsl:strip-space elements="*"/>

 <xsl:template match="node()|@*">
  <xsl:copy>
   <xsl:apply-templates select="node()|@*"/>
  </xsl:copy>
 </xsl:template>

 <xsl:template match="script"/>
</xsl:stylesheet>

应用于提供的 XML 文档时：

<li>
    <!-- Search Google -->
    <center>
        <form action="http://www.google.fr/cse"
              id="cse-search-box" target="_blank">
            <div>
                <input type="hidden" name="cx"
                value="partner-pub-0959382714089534:mw3ssl65jk1"/>
                <input type="hidden" name="ie" value="ISO-8859-1"/>
                <input type="text" name="q" size="31"/>
                <input type="submit" name="sa" value="Rechercher"/>
            </div>
        </form>
        <script type="text/javascript"
        src="http://www.google.com/coop/cse/brand?form=cse-search-box&amp;lang=fr"/>
    </center>
    <!-- Search Google -->
</li>

产生想要的正确结果：

<li><!-- Search Google -->
   <center>
      <form action="http://www.google.fr/cse" id="cse-search-box" target="_blank">
         <div>
            <input type="hidden" name="cx" value="partner-pub-0959382714089534:mw3ssl65jk1"/>
            <input type="hidden" name="ie" value="ISO-8859-1"/>
            <input type="text" name="q" size="31"/>
            <input type="submit" name="sa" value="Rechercher"/>
         </div>
      </form>
   </center><!-- Search Google -->
</li>

【讨论】：

【解决方案3】：

问题列表中的第一个 XPath 几乎就在那里：

//body//*[not(name() = 'script')]

我们可以使用XPath Axes中的descendant，应该是：

//body/descendant::*[not(name() = 'script')]

【讨论】：