Xquery提取html中的文本

Question

我正在研究从 html 文档中提取文本并将其存储在数据库中。我正在使用 webharvest 工具来提取内容。然而我有点陷入了困境。在 webharvest 中，我使用 XQuery 表达式来提取数据。我正在解析的html文档如下：

              <td><a name="hw">HELLOWORLD</a>Hello world</td>

我需要从上面的html脚本中提取“Hello world”文本。

我尝试以这种方式提取文本：

     $hw :=data($item//a[@name='hw']/text())

但是我总是得到的是“HELLOWORLD”而不是“Hello world”。

有没有办法提取“Hello World”。请帮忙。

如果我想这样做怎么办：

<td>
 <a name="hw1">HELLOWORLD1</a>Hello world1
 <a name="hw2">HELLOWORLD2</a>Hello world2
 <a name="hw3">HELLOWORLD3</a>Hello world3
</td>

我想提取 hw2 和 hw3 之间的文本 Hello world 2。我不想使用 text()[3] 但有什么方法可以提取 /a[@name='hw2'] 和 /a[@name='hw3'] 之间的文本。

Answer 1

您的 xpath 正在选择 a 节点的文本，而不是 td 节点的文本：

$item//a[@name='hw']/text()

将其更改为：

$item[a/@name='hw']/text()

更新（以下注释和更新问题）：

此 xpath 从 $item 中选择第二个文本节点，该节点具有 a 标记，其中包含设置为 的 name 属性硬件：

$item[a/@name='hw']//text()[2]

Answer 2

我不想使用text()[3]但是
有什么方法可以提取
在 /a[@name='hw2'] 和之间输出文本
/a[@name='hw3'].

如果两个 元素之间只有一个文本节点，则以下内容将非常简单：

/a[@name='hw3']/preceding::text( )[1]

如果两个元素之间有多个文本节点，则需要表达第一个元素之后的所有文本节点与第二个元素之前的所有文本节点的交集。两个节点集的交集公式（又名 Kaysian 交集法）为：

$ns1[count(.|$ns2) = count($ns2)]

因此，只需替换上面的表达式 >$ns1 与：

/a[@name='hw2']/following-sibling::text()

和 $ns2 与：

/a[@name='hw3']/preceding-sibling::text()

最后，如果您确实有 XQuery（或 XPath 2），那么这很简单：

   /a[@name='hw2']/following-sibling::text() 

intersect

   /a[@name='hw3']/preceding-sibling::text()

Answer 3

这可以处理您的扩展情况，同时让您按属性值而不是位置进行选择：

let $item := 
  <td>
    <a name="hw1">HELLOWORLD1</a>Hello world1
    <a name="hw2">HELLOWORLD2</a>Hello world2
    <a name="hw3">HELLOWORLD3</a>Hello world3
  </td>

return $item//node()[./preceding-sibling::a/@name = "hw2"][1]

这将获取具有前导同级“a”元素且名称属性为“hw2”的第一个节点。