如何匹配文本节点然后使用 XPath 跟随父节点

Posted 2023-02-23

【中文标题】如何匹配文本节点然后使用 XPath 跟随父节点

【英文标题】：How to match a text node then follow parent nodes using XPath

【发布时间】：2010-10-10 13:38:10

【问题描述】：

我正在尝试使用 XPath 解析一些 html。按照下面的简化 XML 示例，我想匹配字符串 'Text 1'，然后获取相关 content 节点的内容。

<doc>
    <block>
        <title>Text 1</title>
        <content>Stuff I want</content>
    </block>

    <block>
        <title>Text 2</title>
        <content>Stuff I don't want</content>
    </block>
</doc>

我的 Python 代码不稳定：

>>> from lxml import etree
>>>
>>> tree = etree.XML("<doc><block><title>Text 1</title><content>Stuff 
I want</content></block><block><title>Text 2</title><content>Stuff I d
on't want</content></block></doc>")
>>>
>>> # get all titles
... tree.xpath('//title/text()')
['Text 1', 'Text 2']
>>>
>>> # match 'Text 1'
... tree.xpath('//title/text()="Text 1"')
True
>>>
>>> # Follow parent from selected nodes
... tree.xpath('//title/text()/../..//text()')
['Text 1', 'Stuff I want', 'Text 2', "Stuff I don't want"]
>>>
>>> # Follow parent from selected node
... tree.xpath('//title/text()="Text 1"/../..//text()')
Traceback (most recent call last):
  File "<stdin>", line 1, in <module>
  File "lxml.etree.pyx", line 1330, in lxml.etree._Element.xpath (src/
lxml/lxml.etree.c:14542)
  File "xpath.pxi", line 287, in lxml.etree.XPathElementEvaluator.__ca
ll__ (src/lxml/lxml.etree.c:90093)
  File "xpath.pxi", line 209, in lxml.etree._XPathEvaluatorBase._handl
e_result (src/lxml/lxml.etree.c:89446)
  File "xpath.pxi", line 194, in lxml.etree._XPathEvaluatorBase._raise
_eval_error (src/lxml/lxml.etree.c:89281)
lxml.etree.XPathEvalError: Invalid type

这在 XPath 中可行吗？我需要用不同的方式表达我想做的事吗？

【参考方案1】：

你想要吗？

//title[text()='Text 1']/../content/text()

【讨论】：

呃，真的很简单！我现在选择 text() 属性有点道理。

也可以使用 //block[title='Text 1']/content 获取相关的内容节点

@Dror：现在知道这一点很有用。

【参考方案2】：

使用：

string(/*/*/title[. = 'Text 1']/following-sibling::content)

与目前接受的 Johannes Weiß 解决方案相比，这代表了至少两个改进：

非常昂贵的缩写“//”（通常会导致扫描整个 XML 文档）被避免，因为它应该在任何时候XML 文档是预先知道的。

没有返回父节点（避免了定位步骤“/..”）

【讨论】：

公平的改进，我的实际文档是 HTML 并且“标题”部分嵌套了大约五层深，所以我必须返回大约五个父母才能进入“内容”区域。我会牢记第一点，尽管这对于肮脏的黑客来说几乎没有什么区别。

/*/*/ 是做什么的？我正在一个相当大的文档上尝试它，它似乎和//一样慢。

@dentarg: /*/* 选择文档顶部元素的所有子元素。它比//someName 更快，它遍历整个文档并选择每个名为"someName" 的元素。在这个答案中，我们可以使用更有效的表达式：string(/*/*/title[. = 'Text 1'][1]/following-sibling::content) 答案中的表达式应该不会降低效率，给定一个优化良好的 XPath 处理器——因为每当string() 函数提供一个参数时节点集，它只产生这个节点集的第一个节点的字符串值。