Question

如何获得长度为200个或更多字符的内部文本（纯文本，丢弃其他子项）的第一个元素？

我正在尝试创建一个像Embed.ly这样的HTML解析器，我已经设置了一个回退系统，我首先检查og:description，然后我会搜索这个事件，然后才会description元标记。

这是因为大多数甚至包含meta description的网站都会在该标记中描述其网站，而不是当前网页的内容。

示例：

<html>
    <body>
        <div>some characters
            <p>200 characters <span>some more stuff</span></p>
        </div>
    </body>
</html>

我可以使用哪个选择器来获取该HTML片段的 200个字符部分？我不想要更多东西，我不关心它是什么元素（<script>或<style>除外），只要它是第一个平原文本至少包含200个字符。

XPath查询应该是什么样的？

Answer 1

使用：

(//*[not(self::script or self::style)]/text()[string-length() > 200])[1]

注意：如果文档是XHTML文档（这意味着所有元素都在xhrml命名空间中），则上面的表达式应指定为：

(//*[not(self::x:script or self::x:style)]/text()[string-length() > 200])[1]

其中前缀"x:"必须绑定到XHTML名称空间 - "http://www.w3.org/1999/xhtml"（或许多XPath API称之为 - 名称空间必须是“已注册”这个前缀）

Answer 2

我的意思是这样的：

root.SelectNodes("html/body/.//*[(name() !='script') and (name()!='style')]/text()[string-length() > 200]")

似乎工作得很好。

Answer 3

HTML不是XML。您不应该使用XML解析器来解析HTML周期。它们完全是两个不同的东西，当你第一次看到那些格式不正确的XML时，你的解析器会窒息。

您应该找到一个开源HTML解析器，而不是自己滚动。

XPath到第一次出现的文本长度为＆gt; = 200个字符的元素

3 个答案: