Question

Dearest StackOverflow homies，

我正在玩EverNote输出的HTML并需要解析以下内容：

注意标题
注意锚（笔记本身的超链接标识）
注意创建日期
注意内容和
笔记本内部超链接（注释内容中的链接到另一个注释的锚点

根据[{3}}，[r] XML包的作者和examples by Duncan Temple Lang，我已经能够相对容易地解析Note Title，Note anchor和Note Creation Dates。对于那些可能感兴趣的人来说，这样做的命令是

require("XML")
rawHTML <- paste(readLines("EverNotebook.html"), collapse="\n") #Yes... this is noob code
doc = htmlTreeParse(rawHTML,useInternalNodes=T)
#Get Note Titles
html.titles<-xpathApply(doc, "//h1", xmlValue)
#Get Note Title Anchors
html.tAnchors<-xpathApply(doc, "//a[@name]", xmlGetAttr, "name")
#Get Note Creation Date
html.Dates<-xpathApply(doc, "//table[@bgcolor]/tr/td/i", xmlValue)

这是一个示例HTML EverNote导出的SO answer by @jdharrison。

我坚持解析 1。注意内容和 2。笔记本内部超链接。

仔细看一下代码，显然第一部分的解决方案是返回不包含属性为bgcolor =＆＃34的表的每个最高* div;＃ D4DDE5＆＃34。 这是如何完成的？

Duncan说可以使用XPath根据NOT条件解析XML：

＆＃34;它允许我们表达诸如＆＃34之类的东西;找到所有名为a＆＃34;或者＆＃34;找到所有名为a的节点，它们没有名为b＆＃34的属性;或者＆＃34;节点a>＆gt;属性b等于＆＃39; bob＆＃39;＆＃34;或者＆＃34;找到所有节点a，其中c为＆gt;祖先节点＆＃34;

然而，他没有继续描述XML包如何解析排除...所以我被困在那里。

解决第二部分，考虑同一笔记本中其他笔记的锚点格式：

<a href="#13178">

这些的目标是获取他们的号码，但这很困难，因为它们仅通过#前缀与www链接区分开来。有关如何通过部分匹配它们的值（在这种情况下为#）来解析这些特定锚点的信息很稀疏 - 甚至可能需要grep（）。 如何使用XML包来解析这些特殊的href？我在这里描述了这两个问题，因为第一部分的解决方案可能有助于第二部分......但也许我＆＃ 39;我错了。 有什么建议吗？

更新1

通过最上层的div我打算说最外面的div。 EverNote HMTL导出中每个音符的内容都在DOM最外层的div中。因此，兴趣是返回每个最外层的div，它不包含具有属性bgcolor =＆＃34;＃D4DDE5的表格。＆＃34;

Answer 1

“....返回不包含属性为bgcolor =”＃D4DDE5的表格的最上层div。“这是如何完成的？”

忽略“最上层”的一种可能方式，因为我不知道你将如何定义它：

//div[not(table[@bgcolor='#D4DDE5'])]

上面的XPath读取：选择所有<div>没有子元素<table>且bgcolor属性等于#D4DDE5。

我不确定你在问题的第二部分“解析”是什么意思。如果您只是希望获得具有特殊href的所有链接，则可以使用href或starts-with()部分匹配contains()属性：

//a[starts-with(@href, '#')]

//a[contains(@href, '#')]

更新：

考虑“最外层”的div：

//div[not(table[@bgcolor='#D4DDE5']) and not(ancestor::div)]

旁注：~~我不知道XPath not()究竟是如何定义的，但如果它的工作方式与否定一样，那么~~（这就像确认的一样）通过以下评论中的OP，您可以应用De Morgan's law之一：

“not（A或B）”与“（不是A）和（不是B）”相同。

这样更新后的XPath可以稍微简化为：

//div[not(table[@bgcolor='#D4DDE5'] or ancestor::div)]

如何根据[r]中的NOT条件解析HTML / XML标记

1 个答案: