XPath 如何从 html 文档中检索表格单元格的值

Question

我有一个 html 文档，文档中的某处位于表格下方，我可以获取表格行和 java DOM 对象。我不清楚的是，当值是字符串并且是二进制资源时，如何提取表格单元格的值？

我使用的代码如下：

  XPath xpath;
   XPathExpression expr;
   NodeList nodes=null;
   // Use XPath to obtain whatever you want from the (X)HTML
   try{

      xpath = XPathFactory.newInstance().newXPath();
      //<table class="data">

      NodeList list = doc.getElementsByTagName("table");
     // Node node = list.item(0); 
     //System.out.println(node.getTextContent());
    //String textContent=node.getTextContent();

    expr = xpath.compile("//table/tr/td");
    nodes = (NodeList)expr.evaluate(doc, XPathConstants.NODESET);

和循环如下：

     for (int i = 0; i < nodes.getLength(); i++) {

       Node ln = list.item(i);
       String lnText=ln.toString();
       NodeList rowElements=ln.getChildNodes();
       Node one=rowElements.item(0);

       String oneText=one.toString();
       String nodeName=one.getNodeName();
       String valOne = one.getNodeValue();

但我没有看到表中的值。

 <table class="data">
 <tr><td>ImageName1</td><td width="50"></td><td><img src="/images/036000291452" alt="036000291452" /></td></tr>
 <tr><td>ImageName2</td><td width="50"></td><td><img src="/images/36000291452" alt="36000291452" /></td></tr>
 <tr><td>Description</td><td></td><td>Time Magazine</td></tr>
 <tr><td>Size/Weight</td><td></td><td>14 Issues</td></tr>
 <tr><td>Issuing Country</td><td></td><td>United States</td></tr>
  </table>

Answer 1

此 XPath 表达式：

/*/tr[1]/td[1]

选择作为顶部元素的第一个 tr 子元素（<所提供的 XML 文档的代码>表）。

XPath 表达式：

/*/tr[1]/td[2]

选择 td 元素（无命名空间），该元素是顶部元素的第一个 tr 子元素的第二个子元素（<所提供的 XML 文档的代码>表）。

一般：

/*/tr[$m]/td[$n]

选择作为 $m$n 的第 $n 子元素的 td 元素（在无命名空间中） code>-所提供 XML 文档的顶部元素 (table) 的第 tr 子元素。只需将 $m 和 $n 替换为所需的整数值即可。

您可以使用标准 XPath 函数 string () 获取其字符串值：

string(/*/tr[$m]/td[$n])

计算为 td 元素（无命名空间）的字符串值，即 $n< /code>-的第一个孩子$m - 所提供 XML 文档的顶部元素 (table) 的第 tr 子级。

Answer 2

使用“string(//td)”之类的路径来获取每个单元格的字符串内容。对于链接资源，您需要使用“//td/img/@src”之类的内容来获取 URL，然后相对于源 URL 对其进行规范化，并从网络中获取结果 URL。