HTML Agility Pack 屏幕抓取 XPATH 不返回数据

Question

我正在尝试为 Digikey 编写一个屏幕抓取工具，以便我们公司能够在零件停产时准确跟踪定价、零件可用性和产品更换。我在 Chrome Devtools 以及 Firefox 上的 Firebug 中看到的 XPATH 与我的 C# 程序中看到的似乎存在差异。

我当前正在抓取的页面是 http://search.digikey.com/scripts/DkSearch/dksus.dll?Detail&name=296-12602-1-ND

我当前使用的代码非常快而且肮脏......

   //This function retrieves data from the digikey
   private static List<string> ExtractProductInfo(HtmlDocument doc)
   {
       List<HtmlNode> m_unparsedProductInfoNodes = new List<HtmlNode>();
       List<string> m_unparsedProductInfo = new List<string>();

       //Base Node for part info
       string m_baseNode = @"//html[1]/body[1]/div[2]";

       //Write part info to list
       m_unparsedProductInfoNodes.Add(doc.DocumentNode.SelectSingleNode(m_baseNode + @"/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]"));
       //More lines of similar form will go here for more info
       //this retrieves digikey PN

       foreach(HtmlNode node in m_unparsedProductInfoNodes)
       {
           m_unparsedProductInfo.Add(node.InnerText);
       }

       return m_unparsedProductInfo;
   }

虽然我使用的路径似乎是“正确的”，当我查看列表“m_unparsedProductInfoNodes”时，我一直得到 NULL

知道这里发生了什么吗？我还要补充一点，如果我在 baseNode 上执行“SelectNodes”，它只会返回一个 div，唯一重要的子节点是“cs=####”，这似乎随浏览器用户代理的不同而变化。如果我尝试以任何方式使用它（将 /cs=0 放入无法识别的浏览器的路径中），它会坚持认为我的表达式不会评估为节点集，但保留它们仍然会留下所有数据过去的问题div[2] 返回为 NULL。

Answer 1

尝试使用这个 XPath 表达式：

/html[1]/body[1]/div[2]/cs=0[1]/rf=141[1]/table[1]/tr[1]/td[1]/table[1]/tr[1]/td[1]

在 Firefox 中使用 Google Chrome 开发工具和 Firebug，看起来网页在第一个表之前有一个“cs”和“rf”标签。例如：

<cs="0">
  <rf="141">
    <table>
    ...
    </table>
  </rf>
</cs>

当您想要解析已知 HTML 文件但未获得预期结果时，了解发生的情况可能会很有用。在这种情况下，我只是这样做：

string xpath = "";

//In this case I'll get all cells and see what cell has the text "296-12602-1-ND"

foreach (HtmlNode node in doc.DocumentNode.SelectNodes("//td"))
{
    if (node.InnerText.Trim() == "296-12602-1-ND")
        xpath = node.XPath; //Here it is
}

或者您可以在文档加载后调试应用程序，然后遍历每个子节点，直到找到要从中获取信息的节点。如果只是在找到 InnerText 时设置断点，则可以只遍历父节点，然后继续寻找其他节点。我通常会在“监视”窗口中手动输入命令，并使用树视图进行导航以查看属性、属性和子项。

Answer 2

只是为了更新：

我从 c# 切换到更友好的 Python（我的编程经验是 asm、c 和 python，整个 OO 事物是全新的）并设法纠正我的 xpath 问题。标签确实是问题所在，但幸运的是它是独一无二的，所以一点正则表达式和删除的行，我就处于良好状态。我不确定为什么这样的标签会破坏 XPATH。如果有人有一些见解，我想听听。