xpath：提取节点的尾随文本答案

【问题标题】：xpath: extract the trailing text of a nodexpath：提取节点的尾随文本
【发布时间】：2020-09-30 21:57:37
【问题描述】：

我有一个包含以下内容的 html 文件。

...
<table><tbody>
...
            <tr>
              <td><span class="myclass">C</span>
                <a href="/myurl" title="myclick">mytext</a>
                   tailing text
              </td>
            </tr>
...
</tbody></table>
...

我想提取信息并以以下格式写入 TSV 文件。

C<TAB>mytext<T>tailing text

到目前为止，我只能用这个 xpath 代码来提取前两列。谁能告诉我如何提取第三列？谢谢。

xidel -s -e '//table/tbody/tr/td/join((span, a), x:cps(9))' - < infile.html

【问题讨论】：

标签： xpath xquery xidel

【解决方案1】：

如果您使用//table/tbody/tr/td/string-join(node()[normalize-space()], x:cps(9))，您会得到三列，但最后一列可能在文本前后包含空格，因此//table/tbody/tr/td/string-join(node()[normalize-space()]/normalize-space(), x:cps(9)) 可能会确保您不会得到未在所需结果中显示的空格。

【讨论】：

我在第二列有一个额外的 TAB。你知道为什么吗？ xidel -s --xpath '//table/tbody/tr/td/string-join(node()/normalize-space(), x:cps(9))' - <<< '<table><tbody> <tr> <td><span class="myclass">C</span> <a href="/myurl" title="myclick">mytext</a> tailing text </td> </tr> </tbody></table>' |cat -T 输出C^I^Imytext^Itailing text
好吧，你没有使用我的建议，而是一个变体，即使减少为空字符串，也可以拾取空白文本节点。为了防止我在您删除的两个建议中使用了谓词 [normalize-space()]。
但即使没有尾随文本，我也需要尾随空字段。
那你需要说明你想要哪些文本节点，哪些不需要。也许 zx485 和a/following-text() 的答案是你想要的，它明确选择span 孩子、a 孩子和a 孩子之后的文本，而我试图选择任何孩子的任何文本，空白规范化后，有文本内容。但是，如果您希望在 a 元素之后读出空白，则该方法不起作用。
//table/tbody/tr/td/join((span, a, a/following::text()[1], a/@href), x:cps(9)) 是我需要的（我添加了对href的需要）。但它太慢了。但是您的代码似乎要快得多，但它会修剪我仍想保留的空白字段。我想知道是否可以采取任何措施来实现快速性能，同时保持空的尾随字段。

【解决方案2】：

你可以使用这个命令：

xidel infile.html --xpath '//table/tbody/tr/td/string-join((span, "<TAB>", a, "<T>", a/following::text()[1]))'

或

xidel --xpath '//table/tbody/tr/td/string-join((span, "<TAB>", a, "<T>", a/following::text()[1]))' - < infile.html

另一种方法是

xidel infile.html --xpath '//table/tbody/tr/td/concat(span, "<TAB>", a, "<T>", a/following-sibling::text()[1])'

输出是 - 在所有三种情况下：

C<TAB>mytext<T>tailing text

【讨论】：

trs 很多的时候这个好像很慢。是因为a/following::text()[1]吗？谢谢。
另一种方法是xidel infile.html --xpath '//table/tbody/tr/td/concat(span, "<TAB>", a, "<T>", a/following-sibling::text()[1])'。但这是绝对最低限度。我怀疑它会变得更好。性能问题可能是由于表达式中的// 而发生的，因为这会检查整个文档中的所有表。
我不认为// 是问题，因为删除a/following-sibling::text()[1] 会使运行完成得更快。您是说// 与a/following-sibling::text()[1] 结合会导致性能问题吗？谢谢。
您确定保留了“infile.html”中的空格（如 OP 所示）吗？如果是这样，那么您应该会看到 a/following::text()[1] 返回 3 行； tailing text 周围有很多空白。此外，OP 想要创建一个 TSV 文件，所以我怀疑作为字符串的文字“”和“”是他/她所追求的。
@Reino 是的。我需要 TAB 字符。