使用 XPath 进行 HTML 解析：扁平的分层数据

Question

我的目标 HTML 是一个扁平的元素表，其中包含由类属性定义的 2 级数据：

<tr>
    <td class="type">Type 1</td>
</tr>
<tr>
    <td class="name">name1</td>
    <td class="year">1970</td>
    <td class="rank">1</td>
</tr>
<tr>
    <td class="name">name2</td>
    <td class="year">1982</td>
    <td class="rank">3</td>
</tr>

目标是解析出名称、年份、排名元素的列表，我使用这些 xpath 表达式来完成：

//td[@class = 'name']/text()
//td[@class = 'year']/text()
//td[@class = 'rank']/text()

每个元素都在紧接的前面

<tr>
        <td class="type">Type 1</td>
</tr>

我想为上面解析的每个元素分配“类型 1”。它可以是相同长度的单独列表。当然，我的目标 HTML 在同一个 2 级层次结构中包含许多这样的元素：类型 - 元素（名称、年份、等级）。

Answer 1

以下相当笨拙的xpath 将最接近的前一个@type td 连接到上面匹配的name td。

    concat(//td[@class = 'name']/preceding::td[@class='type'][1]/text(), '-',
           //td[@class = 'name']/text())

在下面的 xsl 中显示时，这可能更有意义

    <xsl:for-each select="//td[@class='name']">
        <Name>
            <xsl:value-of select="concat(preceding::td[@class='type'][1]/text(), 
                          '-', ./text())" />
        </Name>
    </xsl:for-each>

应用于以下xml

<xml>
    <tr>
        <td class="type">Type 1</td>
    </tr>
    <tr>
        <td class="name">name1</td>
        <td class="year">1970</td>
        <td class="rank">1</td>
    </tr>
    <tr>
        <td class="name">name2</td>
        <td class="year">1982</td>
        <td class="rank">3</td>
    </tr>
    <tr>
        <td class="type">Type 2</td>
    </tr>
    <tr>
        <td class="name">name3</td>
        <td class="year">1971</td>
        <td class="rank">2</td>
    </tr>
    <tr>
        <td class="name">name4</td>
        <td class="year">1983</td>
        <td class="rank">4</td>
    </tr>
</xml>

结果

<Name>Type 1-name1</Name>
<Name>Type 1-name2</Name>
<Name>Type 2-name3</Name>
<Name>Type 2-name4</Name>

Answer 2

解决方案 1

首先，找到感兴趣的td 元素。例如 name tds 的伪代码如下：

name_tds = doc.evalXPath("//td[@class = 'name']")

然后您可以使用 name td 作为上下文节点找到相应的 type td，如下所示：

type_td = name_td.evalXPath("../preceding-sibling::tr[td[@class = 'type']][1]/td")

解决方案 2

只需迭代所有tds 并记住您找到的最后一个type。伪代码：

foreach (td in doc.evalXPath("//td") {
    class = td.getAttribute("class");
    if (class == "type") {
        type = td.textContent();
    }
    else if (class == "name") {
        name = td.textContent();
        println("type: " + type + ", name: " + name);
    }
    // Same for year and rank.
}