Question

我正在尝试提取文章的部分（简介，历史，概述......）。我寻找一个XPath来选择所有以标题开头并包含一些段落的部分。如果它们只包含一个列表，则应将它们丢弃。

例如：

<h2>Intro</h2>
<p> It has paragraph and should be extracted </p>
.....
<h2>References </h2>
<ul>...It has just list and should be discarded </ul>
<h2>...</h2>
....

如果无法使用XPath，XQuery也可以运行。我尝试了以下XQuery

for $x in doc("test.xq")//h2
return
   <section>{$x/following-sibling::*[preceding-sibling::h2[1] is $x]}</section>

它会按我的意愿选择这些部分，但我无法将条件（不仅仅是ul）强加给它。

Answer 1

你在另一个问题中提到这是在BaseX中，它支持XQuery 3.0 group by机制，那么如何：

for $x in doc("test.xq")//h2/following-sibling::*[not(self::h2)]
group by $hId := generate-id($x/preceding-sibling::h2[1])
return
  if ($x[not(self::ul)]) then
    <section>{($x/preceding-sibling::h2[1], $x)}</section>
  else ()

在这里，我首先找到了我们想要聚集在一起的所有非h2元素（根据XML的结构，可能有更有效的方法来执行此操作），然后是group by意味着在每次＆＃34;迭代＆＃34; $x变量将是一个h2和下一个h2之间的非h2元素的序列。然后，if条件会检查此组中是否至少有一个元素不是ul。

Answer 2

不幸的是，在这种情况下，没有创建xpath的条件。

您应该扫描树。当发现h2时，开始收集片段。如果在h2之前遇到p，则标记要保存的片段，否则将其删除并从该h2开始保存。

可以使用dom结构或<h和<p的文本搜索来完成。

XPath或XQuery以排除仅包含列表的文章部分

2 个答案: