如何从 HTML 文档 (Xerces/Xqilla) 中提取带有 XPath 2 的节点

Question

我想使用 xerces 和 xqilla 库从带有 XPATH2 的 html 文档中提取特定节点，但显然我无法构建有效的 XPATH 表达式，或者我的代码某处有误。

我当前的代码：

#include <iostream>
#include <string>

#include <xercesc/dom/DOMImplementation.hpp>
#include <xercesc/dom/DOMImplementationRegistry.hpp>
#include <xercesc/dom/DOMConfiguration.hpp>

#include <xercesc/dom/DOMXPathExpression.hpp>
#include <xercesc/dom/DOMXPathResult.hpp>
#include <xercesc/dom/DOMLSParser.hpp>
#include <xercesc/dom/DOMDocument.hpp>
#include <xercesc/dom/DOMLSSerializer.hpp>
#include <xercesc/dom/DOMLSOutput.hpp>

#include <xercesc/sax/SAXParseException.hpp>
#include <xercesc/sax/ErrorHandler.hpp>

#include <xercesc/framework/StdOutFormatTarget.hpp>
#include <xercesc/framework/MemBufInputSource.hpp>
#include <xercesc/framework/Wrapper4InputSource.hpp>

#include <xercesc/util/XMLString.hpp>

#include <xqilla/xqilla-dom3.hpp>
#include <xercesc/parsers/AbstractDOMParser.hpp>
using namespace std;


const char document[] = { 0x3c, 0x21, 0x44, 0x4f, 0x43, .....,  0x6c, 0x3e, 0x0a, 0x00 };

int main() {

    // init xerces and xqilla engines
    XQillaPlatformUtils::initialize();

    // retrieve xqilla DOMImpl.
    xercesc::DOMImplementation* xqilla_impl
        = xercesc::DOMImplementationRegistry::getDOMImplementation(X("XPath2 3.0"));

    {
        // create DOMLSParser
        AutoRelease<xercesc::DOMLSParser> parser(xqilla_impl->createLSParser(xercesc::DOMImplementationLS::MODE_SYNCHRONOUS, 0));
        xercesc::DOMConfiguration *config = parser->getDomConfig();
        config->setParameter(xercesc::XMLUni::fgXercesScannerName, xercesc::XMLUni::fgWFXMLScanner);

        // retrieve lesson page:
        string str(document);

        xercesc::Wrapper4InputSource* wrapper =
                new xercesc::Wrapper4InputSource(
                new xercesc::MemBufInputSource((XMLByte*) str.c_str(), (XMLSize_t) str.length(), "index.html", false));


        // create DOM structure:
        xercesc::DOMDocument* dom = parser->parse(wrapper);

        AutoRelease<xercesc::DOMXPathExpression> expression(
            dom->createExpression(xercesc::XMLString::transcode("html/head"), 0)
        );

        AutoRelease<xercesc::DOMXPathResult> result(expression->evaluate(
            dom, xercesc::DOMXPathResult::ITERATOR_RESULT_TYPE, 0
        ));

        cout << result->iterateNext() << endl; // output is always 0
    }

    XQillaPlatformUtils::terminate();

    return 0;
}

我需要更改什么？

编辑：

我想查看的 HTML 文件是一大堆文件，所以我制作了一个小示例文件来测试我的程序 and/or XPATH 表达式：

  <!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
  <html xmlns="http://www.w3.org/1999/xhtml" >
  <head>
    <title>Some title</title>
    <meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
    <meta name="title" content="Some title" />
    <meta name="keywords" content="Keywords" />
    <meta name="description" content="A short description" />
  </head>
  <body>
    <p>
      Lorem ipsum dolor sit amet, consetetur sadipscing elitr,
      sed diam nonumy <b>eirmod <u>tempor</u> invidunt ut</b> labore et dolore<br />
      magna aliquyam erat, sed diam voluptua. At vero eos et accusam
      et justo duo dolores et ea rebum. Stet clita kasd gubergren,<br />
      no sea takimata sanctus est Lorem ipsum dolor sit amet.
    </p>
  </body>
</html>

即使这样，我的程序也没有找到任何具有我的 XPATH 表达式的节点。

我能够为我的问题找到 2 个次优解决方案

1.解决方案：
使用不关心的 XPath 表达式像 '*:html/*:head/*:title/text()'.
2。解决方案：
在解析器中关闭 DOM 个命名空间：
配置->setParameter(xercesc::XMLUni::fgDOMNamespaces, false);

如果我找到了一种为未命名的 DOM 命名空间手动设置自定义前缀的方法，或者如果我有一个 XPath 表达式，我可以在其中明确指定一个空前缀，我会更高兴，但现在至少我可以处理我的文件。

Answer 1

html 和 head 元素在命名空间中，而您的 XPath 正在寻找没有命名空间的元素。使用 "h:html/h:head" 并将 "h" 前缀绑定到 XHTML 命名空间。我不知道如何与 XQilla 进行绑定 API，但会有一些方法可以做到这一点。

如何从 HTML 文档 (Xerces/Xqilla) 中提取带有 XPath 2 的节点

How can I extract a node with XPath 2 from a HTML document (Xerces/Xqilla)

xpath

xerces-c

xqilla