HtmlAgilityPack 根据单元格值获取表格

Question

我有 1000 多个 HTML 文档，每个文档都包含各种表格，并且使用 PowerShell 来处理它们。

我希望提取特定的表格，这些可以通过第一行来识别，第一行用于标题，其中一个单元格始终包含“测量”一词。

由于 HTML 是 .doc 导出，因此单词可以嵌套在 <span> 或 <p> 中，因此理想情况下我可以忽略该级别的嵌套。

我尝试过类似的方法：

$tables = $doc.DocumentNode.SelectNodes("//table[* = 'measurement']")

但一无所获。

这里还有一些 HTML，很遗憾我不能全部发布，但它是 MS Word 导出为 HTML 文档：

<table class=MsoNormalTable border=1 cellspacing=0 cellpadding=0
   style='border-collapse:collapse;mso-table-layout-alt:fixed;border:none;
   mso-border-alt:double windowtext 1.5pt;mso-padding-alt:0in 5.4pt 0in 5.4pt'>
<tr style='mso-yfti-irow:0;mso-yfti-firstrow:yes'>
   <td width=192 valign=top style='width:2.0in;border:solid windowtext 1.0pt;
      padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Areas</span></p>
   </td>
   <td width=288 valign=top style='width:3.0in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>measurements</span></p>
   </td>
   <td width=346 valign=top style='width:3.6in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Objectives</span></p>
   </td>
</tr>

Answer 1

如果没有更多信息或示例 HTML 标记，我只能建议使用后代轴 // 来获取所有后代节点，无论它们嵌套在 <table> 节点中的深度：

//table[.//* = 'measurement']

更新：

在查看了示例 HTML 之后，我认为使用更具体的 xpath 可能会有更有效的方法，例如：

//table[tr/td//* = 'measurement']

但特定的 xpath 也会带来更多风险，即留下一些应该被选中的表。根据整个文档结构以及需要多少效率，您可以做出决定。