XPath 获取两个标题之间的标记

Question

我正在尝试编写一个小应用程序来从维基百科页面中提取内容。当我第一次想到是否可以时，我认为我可以只定位包含 XPath 内容的 div，但在研究了 Wikipedia 如何构建他们的文章之后，我很快发现这并不是那么容易。获取页面时分隔内容的最佳方法是 select 两组 h2 标签之间的内容。

示例： <h2>Title</h2> <div>Some Content</div> <h2>Title</h2>

这里我想得到headers组之间的div。我试着用 XPath 来做这件事，但一点运气也没有。我将更多地研究 XPath，因为我认为这是我需要用来实现我想要的东西，但在我深入研究它之前，我想听听你们对它的看法。 XPath 是正确的方法还是我有其他更简单的选择？如果有任何不同，我会用 C# 编写应用程序。

Answer 1

是的，您在 XPath 方面走在了正确的轨道上 -- 它非常适合 selecting 部分 XML 文档。

例如，对于这个XML，

<r>
   <h2>Title A</h2>
   <div>Some Content</div>
   <div>More Content</div>
   <h2>Title B</h2>
</r>

这个 XPath，

//div[preceding-sibling::h2 = 'Title A' and following-sibling::h2 = 'Title B']

将select这个内容，

<div>Some Content</div>
<div>More Content</div>

在两个 h2 标题之间，根据要求。

更新地址 OP self-answer:

对于这个新的 XML 示例，

<div>
    <h2><span>Summary</span></h2>
    <p>Paragraph</p>
    <ul>
        <li>List1</li>
        <li>List2</li>
        <li>List3</li>
    </ul>
    <p>Paragraph</p>

    <h2><span>Location</span></h2>
    <p>Paragraph</p>
</div>

我上面提供的 XPath 很容易适应，

//*[preceding-sibling::h2 = 'Summary' and following-sibling::h2 = 'Location']

到select这个XML,

<p>Paragraph</p>  
<ul>
   <li>List1</li>
   <li>List2</li>
   <li>List3</li>
</ul>    
<p>Paragraph</p>

根据要求。

Answer 2

在 kjhughes 建议的帮助下，我设法使代码正常工作。

我无法使 = 'Text' 部分起作用，但将其替换为 [text() = 'text']

仅此还不够，因为我需要的内容标题位于 h2 标记中的 span 内，所以我不得不对 XPath 进行更多调整。

这是我想出的：

//*[preceding-sibling::h2::following-sibling::span[text() = 'Summary'] and following-sibling::h2::following-sibling::span[text() = 'Location']]

我在 HTML 上使用 http://www.xpathtester.com/xpath 测试了它：

<div>
    <h2><span>Summary</span></h2>
    <p>Paragraph</p>
    <ul>
        <li>List1</li>
        <li>List2</li>
        <li>List3</li>
    </ul>
    <p>Paragraph</p>

    <h2><span>Location</span></h2>
    <p>Paragraph</p>
</div>

这给了我以下结果：

<p>Paragraph</p>
<ul>
    <li>List1</li>
    <li>List2</li>
    <li>List3</li>
</ul>
<p>Paragraph</p>

XPath 获取两个标题之间的标记

XPath to get markup between two headings

html

xml

xpath

wikipedia

web