Powershell - 如何使用 XPath 提取本地 html 文件的元素答案

【问题标题】：Powershell - How can I extract the element of local html files using XPathPowershell - 如何使用 XPath 提取本地 html 文件的元素
【发布时间】：2020-03-03 03:49:08
【问题描述】：

我正在尝试从 IMDB 网站上抓取一些数据。我要提取的数据是一些电影的片名（电影名）、上映年份和剧情概要。我已将要提取的所有页面批量下载到硬盘驱动器，当我在 Google Chrome 上检查要提取的页面元素时，其完整的 XPath 选择器类似于电影名称：

/html/body/div[3]/div/div[2]/div[5]/div[1]/div/div/div[1]/div[2]/div/div[2]/div[2]/h1/text()

我花了时间找到问题的代码，但没有答案（据我所知）。我正在阅读一些代码，例如

$html = Get-Content -Path "E:\POWERSHELL\IMDB pages\tt0062940.html" -Raw
$htmlFile = New-Object -ComObject "HTMLFile"
$htmlFile.IHTMLDocument2_write($html)

但我现在不知道该怎么办。有人可以告诉我是否可以使用 XPath 在 Powershell 中选择 HTML 元素来解析和提取本地文件中的信息。谢谢。

【问题讨论】：

标签： html powershell xpath

【解决方案1】：

您可以使用Select-Xml，如下所示。

$Path = "E:\POWERSHELL\IMDB pages\tt0062940.html"
$h1Text = (Select-Xml -Path $Path -Xpath /html/body/div[3]/div/div[2]/div[5]/div[1]/div/div/div[1]/div[2]/div/div[2]/div[2]/h1).Node.InnerText
$h1Text

或者您可以将路径用双引号括起来，这样您就不必担心文件夹名称之间的空格。

$h1Text = (Select-Xml -Path "E:\POWERSHELL\IMDB pages\tt0062940.html" -Xpath /html/body/div[3]/div/div[2]/div[5]/div[1]/div/div/div[1]/div[2]/div/div[2]/div[2]/h1).Node.InnerText
$h1Text

【讨论】：

您的 cmd let 无法运行，因为目录名称包含空格。我不知道如何解决它。
尝试更新的答案。其他选项是将路径用双引号 " 括起来。
我将文件移动到 K: 驱动器上的文件夹并输入您的命令 $h1Text = (Select-Xml -Path "K:\MY DOCUMENTS\POWERSHELL\IMDB pages\tt0062940.html" -Xpath /html/body/div[3]/div/div[2]/div[5]/div[1]/div/div/div[1]/div[2]/div/div[2]/div[2]/h1).Node.InnerText $h1Text 但它说 Select-Xml : The file 'K:\MY DOCUMENTS\POWERSHELL\IMDB pages\tt0062940.html' cannot be read: An error occurred while parsing EntityName. Line 25, position 49. .. + CategoryInfo : InvalidArgument: (K:\MY DOCUMENTS...\tt0062940.html:String) [Select-Xml], Argument.. 我只是引用了一些话。我现在该怎么办。
检查您的html 文件是否有效。似乎您的 html 中的第 25 行第 49 列存在一些问题
这里的“字符串”是什么，然后\tt0062940.html:String) [Select-Xml], Argument.. 好吧，我对 HTML 文件没有任何权利。我只需将链接输入 IDM 应用程序并下载它。如果你愿意，我会上传文件，然后给出链接。