Question

我想从几个不同的网站中提取电子邮件地址。如果它们处于活动链接格式，我可以使用

执行此操作

//A[starts-with(@href, 'mailto:')]

但其中一些只是文本格式example@domain.com，而不是链接，所以我想选择一个包含@内部元素的路径

Answer 1

您可能想要使用regular expression。它们允许您提取电子邮件地址，无论文档中的上下文如何。这是一个小小的测试驱动示例，可以帮助您入门：

require "minitest/spec"
require "minitest/autorun"

module Extractor
  EMAIL_REGEX = /[\w]+@[\w]+\.[\w]+/

  def self.emails(document)
    (matches = document.scan(EMAIL_REGEX)).any? ? matches : false
  end
end

describe "Extractor" do
  it 'should extract an email address from plaintext' do
    emails = Extractor.emails("email@example.com")
    emails.must_include "email@example.com"
  end

  it 'should extract multiple email addresses from plaintext' do
    emails = Extractor.emails("email@example.com and email2@example2.com")
    emails.must_include "email@example.com", "email2@example2.com"
  end

  it 'should extract an email address from the href attribute of an anchor' do
    emails = Extractor.emails("<a href='mailto:email3@example3.com'>Email!</a>")
    emails.must_include "email3@example3.com"
  end

  it 'should extract multiple email addresses from both plaintext and within HTML' do
    emails = Extractor.emails("my@email.com OR <a href='mailto:email4@example4.com'>Email!</a>")
    emails.must_include "email4@example4.com", "my@email.com"
  end

  it 'should not extract an email address if there isn\'t one' do
    emails = Extractor.emails("email(at)address(dot)com")
    emails.must_equal false
  end

  it "should extract email addresses" do
    emails = Extractor.emails("email.address@domain.co.uk")
    emails.must_include "email.address@domain.co.uk"
  end
end

最后一次测试失败，因为正则表达式不会预期大多数有效的电子邮件地址。看看你是否以此为出发点或找到更好的正则表达式。要帮助构建正则表达式，请查看Rubular。

Answer 2

我想选择包含@ inside
的元素的路径

使用：

//*[contains(., '@')]

在我看来，你真正想要的是选择具有包含“@”的文本节点子元素的元素。如果是这样，请使用：

//*[contains(text(), '@')]

基于XSLT的验证：

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform"> <xsl:output omit-xml-declaration="yes" indent="yes"/> <xsl:strip-space elements="*"/> <xsl:template match="/"> <xsl:copy-of select= "//*[contains(text(), '@')] "/> </xsl:template> </xsl:stylesheet>

将此转换应用于以下XML文档时：

<html> <body> <a href="xxx.com">xxx.com</a> <span>someone@xxx.com</span> </body> </html>

评估XPath表达式并将选定的节点复制到输出：

<span>someone@xxx.com</span>

使用XPath解析文本电子邮件地址，不是// A [startswith（@href，'mailto：'）]

2 个答案: