Question

我有1000多个HTML文档，每个文档都包含各种表格，并使用PowerShell来处理它们。

我希望提取特定的表格，这些表格可以通过第一行标识，第一行用于标题，其中一个单元格总是包含单词＆＃34; measurement＆＃34;。

由于HTML是.doc导出，因此单词可以嵌套在<span>或<p>中，因此理想情况下我可以忽略该嵌套级别。

我尝试过类似的事情：

$tables = $doc.DocumentNode.SelectNodes("//table[* = 'measurement']")

但什么都没有回来。

这里还有一些HTML，遗憾的是我无法发布所有内容，但它将MS Word导出为HTML文档：

<table class=MsoNormalTable border=1 cellspacing=0 cellpadding=0
   style='border-collapse:collapse;mso-table-layout-alt:fixed;border:none;
   mso-border-alt:double windowtext 1.5pt;mso-padding-alt:0in 5.4pt 0in 5.4pt'>
<tr style='mso-yfti-irow:0;mso-yfti-firstrow:yes'>
   <td width=192 valign=top style='width:2.0in;border:solid windowtext 1.0pt;
      padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Areas</span></p>
   </td>
   <td width=288 valign=top style='width:3.0in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>measurements</span></p>
   </td>
   <td width=346 valign=top style='width:3.6in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Objectives</span></p>
   </td>
</tr>

Answer 1

如果没有进一步的信息或示例HTML标记，我只能建议使用后代轴//来获取所有后代节点，无论它们嵌套在<table>节点内有多深：

//table[.//* = 'measurement']

更新：

在查看示例HTML之后，我认为通过使用更具体的xpath可能会有更有效的方法，例如：

//table[tr/td//* = 'measurement']

但是特定的xpath也会带来更多冒一些应该被选中的表的风险。根据整个文档结构以及需要多少效率，决定权归你所有。

HtmlAgilityPack根据单元格值获取表

1 个答案: