Question

我在使用nekohtml + dom4j解析html文档时遇到了一些问题。

我发现我的xpath表达式不再起作用，因为最近在html源上添加了一个新的默认html xml命名空间。

规格说：

前缀xmlns仅用于声明命名空间绑定并且是绑定到命名空间名称的定义 http://www.w3.org/2000/xmlns/。它必须不要申报。其他前缀必须不受此命名空间名称的约束，并且它不能被声明为默认命名空间元素名称必须没有前缀xmlns。

但在我的html文档中，最近（我猜）在html标签中添加了：xmlns =“http://www.w3.org/1999/xhtml”

我找到了2个解决方案：

1）使用以下命令删除命名空间：

DOMParser parser = new DOMParser();
parser.setFeature("http://xml.org/sax/features/namespaces", false);
parser.parse(url);

根据NekoHTML faq的说法。

2）为我的xpath添加一个前缀，绑定到默认的html命名空间。（似乎它不能将前缀“空字符串”绑定到我想要的命名空间）

Map<String,String> XPATH_NAMESPACES = new HashMap<String, String>();
XPATH_NAMESPACES.put("my_prefix", "http://www.w3.org/1999/xhtml");

XPath xpath = document.createXPath(xpathExpr);
xpath.setNamespaceURIs(XPATH_NAMESPACES);
Element element = (Element) xpath.selectSingleNode(document);

然后，不使用// td作为例子，而是使用// my_prefix：td

我发布这些解决方案，因为有些人可能会觉得这篇文章很有用。另请参阅http://www.edankert.com/defaultnamespaces.html#Jaxen_and_Dom4J

但我真正想知道的是：

为什么要使用不同的命名空间默认的一个？
为什么有人会从http://www.w3.org/2000/xmlns/切换到 http://www.w3.org/1999/xhtml？
为什么我们一般使用w3命名空间？命名空间是否有一些对浏览器的影响？

我想我的问题对你们这些人来说似乎很明显，但我并没有真正理解它带来的东西。我已经读过html和xhtml之间的区别。我想使用xhtml dtd的人宁愿使用这个命名空间，但除了它给爬虫或其他类似的东西带来额外的痛苦之外，还有什么真正的兴趣呢？

PS：我已经看到要从html传递到xhtml，你必须添加xmlns和xml：lang，例如：所以它可能不是我解析的网站的目的，因为没有添加xml：lang ......

由于

Answer 1

你的问题中存在很多混淆，如果不编写关于XML命名空间的完整教程，解决它并不容易。我将尽可能地覆盖它们与（X）HTML的关系。

首先，命名空间的目的是分离词汇表。因此，例如，title命名空间中的http://www.w3.org/1999/xhtml元素可以与title命名空间中的http://www.w3.org/2000/svg元素区分开来，当它们出现在同一文档中或处理时由一个共同的处理器。

其次，忘记http://www.w3.org/2000/xmlns/命名空间。它的作用主要在幕后，你很少需要担心它。

接下来，我们需要区分null名称空间，默认名称空间和前缀引用的名称空间。

当XML文件没有定义xmlns=个属性时，所有未加前缀的元素都被称为“在null名称空间中”或“在没有名称空间”中，这相当于同样的事情。

当XML元素具有xmlns=属性时，它及其后代元素（如果它们没有前缀）被称为“在默认命名空间中”，其中默认命名空间是xmlns属性的值。

前缀元素始终位于由元素的元素或祖先中的xmlns:prefix=属性映射的命名空间中。

现在，XHTML词汇表被定义为http://www.w3.org/1999/xhtml命名空间中的元素，因此正确编写的XHTML文档会将该命名空间声明为默认命名空间，或者将前缀映射到命名空间，在这种情况下所有XHTML元素都需要在其名称中包含该前缀。（后一种情况不会经常发生，原因如下）。

因此，在使用XML解析器解析XHTML时，名称空间映射需要存在。

但是，XPath没有默认命名空间的概念。如果未将前缀放在xpath中指定的元素上，它将尝试匹配null命名空间中的元素。如果XHTML元素在http://www.w3.org/1999/xhtml命名空间中，则xpath将不匹配任何内容。

这就是它开始变得复杂的地方 - 浏览器。

如果您按照自己的意愿向浏览器提供XHTML网页，使用XML内容类型（如application / xhtml + xml），浏览器将使用XML解析器加载它，并应用上述所有规则。如果您不包含xmlns="http://www.w3.org/1999/xhtml"属性，浏览器将无法理解如何处理它，只会将文件显示为原始XML结构。

然而，因为IE直到IE9不支持XML内容类型，所以几乎没有人以这种方式提供他们的网页。相反，他们使用“text / html”内容类型，在这种情况下，浏览器根本不使用XML解析器，它使用HTML。

HTML解析器只是忽略命名空间来为映射添加前缀，而只是“知道”哪些元素名称属于哪些命名空间。这使得它最终不那么灵活，但在其专业领域内，更强大且易于使用。（在上面的title元素的示例中，它通过查看title s祖先元素来确定应用哪个命名空间。这就是为什么XHTML文档不使用前缀元素，因为HTML解析器赢了'认识他们。

浏览器（无论如何都是现代的），然后有专门的DOM类API方法和CSS规则来隐藏所有这些命名空间复杂性远离javascript和css作者，因此，在大多数情况下，命名空间可以安全地被忽略网络作者。

但是，独立的HTML解析器并不总是这样做。相反，它们将所有元素放在null命名空间中，这意味着可以使用标准DOM API找到在元素名称上不包含前缀的xpath。对于大多数实际用途，这与浏览器使用HTML解析器进行解析时的情况相同。

因此，总而言之，您需要了解您是使用XML还是HTML解析器解析XHTML，以及该特定解析器如何将元素分配给命名空间，以便能够编写正确的xpath进行查询对于文档中的元素。

Answer 2

你误解了你所读到的内容。 xmlns属性本身的名称空间必须为http://www.w3.org/2000/xmlns/。 xmlns="something"指定的名称空间可以更改。

请注意

<element1 xmlns="something">
    <element2/>
</element1>

与

相同

<x:element1 xmlns:x="something">
    <x:element2/>
</x:element1>

换句话说，默认命名空间只是一个方便的缩写，它允许您不为默认命名空间中的元素指定前缀。

Html，xmlns，命名空间，xml

2 个答案: