Question

我想从这个网站中提取内容：https://it.projektwerk.com/de/projects/

e.g。我有一个XPath表达式：.//*[@id='content_0']/H3/A （请注意，大写字母是正确的，因为我的文档解析器 - > org.cyberneko.html ...将标记解析为那些大写字母）

这是一个有效的XPath表达式;我可以使用FirePath获取内容。但是，使用javax.xml.xpath类，无法进行检索。我是这样做的：

XPath xpath = XPathFactory.newInstance().newXPath();
XPathExpression expr = xpath.compile(exprString);
Node node = expr.evaluate(doc, XPathConstants.NODE);

但node始终为null。

我不明白这一点，因为还有其他网站的其他表达方式具有相同的语法，其中有效（例如.//*[@id='p_p_id']/DIV/DIV/DIV/DIV[3]/A/H3/SPAN）

希望有人可以提供帮助。

Answer 1

感谢VGR，我能够了解这个问题。那些Xpath表达式不起作用的网站是一个名称空间感知的网站，其中的html标签构造如下：

当我使用HtmlCleaner时，我使用了以下代码：

HtmlCleaner cleaner = new HtmlCleaner();
CleanerProperties props = cleaner.getProperties();
props.setNamespacesAware(false);
TagNode mainNode = cleaner.clean(htmlString);

根据文档，它应该从html文档中剥离命名空间属性。但这确实不工作！令人惊讶的是，测试的html文档的html标记内的xmlns属性只会更改其在属性列表中的位置。因此，解决方案是使用html节点的HtmlCleaner的TagNode表示从htmlTag手动删除xmlns属性：

public TagNode removeNamespaceFromHtmlTag(TagNode htmlNode) {
    htmlNode.removeAttribute("xmlns");
    return htmlNode;
}

删除它，问题中定义的XPath表达式将返回所需的结果。

javax.xml.xpath的XPath表达式无法正常工作

1 个答案: