Question

我正在尝试使用Java中的XPath解析一些HTML。考虑一下这个HTML：

    <td class="postbody"> 
        <img src="...""><br />
<br />
<b>What is Blah?</b><br />
<br />
Blah blah blah
<br />

请注意，“什么是Blah”有助于包含在b标记中，因此很容易解析。但是“Blah blah blah”是公开的，因此我只能通过在其父节点上调用text（）来获取它。

事情是，我需要按顺序执行此操作，将img放下，然后是粗体文本，然后是正文。重要的是它按顺序结束（如果你可以建议一种需要两次通过的方法，它不需要按顺序处理。）

那么有什么建议可以解决如果我在Java XPath节点中包含上述内容，我可以依次查看它并得到我需要的内容吗？

Answer 1

我认为基于SAX的解析器将是解决此问题的更好工具。它是基于事件的，因此您可以按顺序解析XML文档。

但它是一个XML解析器，因此您需要拥有一个有效的XML文档。我从未使用JTidy，但它是HTML Tidy的java端口，所以希望它可以帮助您将（无效的）HTML文档转换为有效的XML。

Answer 2

将此XPath表达式与提供的XML片段的父级一起使用作为上下文节点进行评估：

node()

这将选择每个节点 - 上下文节点的子节点 - 每个元素-child，每个text-node-child，每个comment-child和每个PI（处理指令）-child。

如果您要排除评论和效果指标，请使用：

node()[not(self::comment() or self::processing-instruction)]

如果除此之外您不想选择仅空白文本节点，请使用：

node()
  [not(self::comment() or self::processing-instruction)]
    [not(self::text()[string-length() = 0])]