XPath - 如何从 xml 获取图像源

Question

你好，我有这个 xml

        <item>
        <title> Something for title»</title>
        <link>some url</link>
        <description><![CDATA[<div class="feed-description"><div class="feed-image"><img src="pictureUrl.jpg" /></div>text for desc</div>]]></description>
        <pubDate>Thu, 11 Jun 2015 16:50:16 +0300</pubDate>
    </item>

我尝试使用路径：//description//div[@class='feed-description']//div[@class='feed-image']//img/@src 获取 img src，但它不起作用

有什么解决办法吗？

Answer 1

CDATA 部分转义其内容。换句话说，当解析文档的其余部分时，CDATA 会阻止其内容被解析为标记。所以其中的<div>s 不被视为XML 元素，而只是作为平面文本。 <description> 元素没有子元素……只有一个文本子元素。因此，XPath 无法选择 <description> 的任何 <div> 后代，因为解析的 XML 树中不存在任何后代。

怎么办？

如果您的 XPath 环境支持 XPath 3.0，您可以使用 parse-xml() 将平面文本转换为树，然后使用 XPath 从生成的树中选择 //div[@class='feed-description']//div[@class='feed-image']//img/@src。

否则，您最好的解决方法可能是使用原始字符串处理函数，例如 substring-before()、substring-after() 或 match()。 （后者使用正则表达式，需要 XPath 2.0。）当然，很多人会告诉你不要使用正则表达式来分析 XML 和 HTML 之类的标记。有充分的理由：在一般情况下，很难做到正确（使用正则表达式或纯字符串搜索）。但是对于输入高度可预测且缺乏更好工具的非常有限的情况，它可能是完成不太理想的工作的最佳工具。

例如，对于您问题中显示的数据，您可以使用

substring-before(substring-after(//description, 'img src="'), '"')

此时内部调用substring-after(//description, 'img src="')返回pictureUrl.jpg" /></div>text for desc</div>，其中"之前的子串为pictureUrl.jpg。

这不是很健壮，例如，如果src 和= 之间有空格，它将失败。但是，如果确切的格式是可预测的，那么您就可以了。