Question

我想从这个网页中提取XPATH // DIV [@id =＆＃34; ps-content＆＃34;]：http://www.amazon.com/dp/1449319432（保存为本地文件）

我想用一行命令行和一个最好的解析器来完成它，比如BaseX或Saxon-PE。

到目前为止，我（似乎已经）发现的最短解决方案是这两行：

java -jar tagsoup-1.2.1.jar <page.html >page.xhtml"
basex -ipage.xhtml "//DIV[@id='ps-content']"

但它返回的所有内容都是一个空行，而不是我预期的html代码块：

我的问题是两个：

我的命令行有什么问题？为什么他们没有返回我的XPATH定义的html代码块？
由于BaseX嵌入了TagSoup功能（参见https://www.odesk.com/leaving-odesk?ref=http%253A%252F%252Fdocs.basex.org%252Fwiki%252FParsers%2523HTML_Parser），如何将我的两条线集成到一条线上？

Answer 1

您的查询存在两个问题：

Tagsoup添加名称空间

注册命名空间（声明默认命名空间似乎是合理的，因为你可能只处理XHTML）：
```
basex -ipage.xhtml "declare default element namespace 'http://www.w3.org/1999/xhtml'; //div[@id='ps-content']"
```
或使用*作为每个元素的命名空间指示符：
```
basex -ipage.xhtml "//*:div[@id='ps-content']"
```
XML / XQuery区分大小写

我已在（1）的查询中更正了它：<div/>与<DIV/>不同。（1）中的两个查询都已产生预期结果。

可以在BaseX中使用Tagsoup，您不必单独为HTML输入调用它。确保在默认的Java类路径中包含tagsoup，例如。在Debian中安装libtagsoup-java。

basex 'declare option db:parser "html"; doc("page.html")//*:div[@id="ps-content"]'

如果您愿意，甚至可以直接从BaseX查询HTML页面：

basex 'declare option db:parser "html"; doc("http://www.amazon.com/dp/1449319432")//*:div[@id="ps-content"]'

使用-i对我使用tagsoup不起作用，但您可以使用doc(...)代替。

Answer 2

我终于找到了正确的命令行：

basex "declare option db:parser 'html'; doc('page.html')//*:div[@id='ps-content']"

注意：反转这样的引号类型在我的Win7中不起作用：

basex 'declare option db:parser "html"; doc("page.html")//*:div[@id="ps-content"]'