Java 要从tesseract hOCR XML输出中选择的XPathExpression_Java_Xpath_Tesseract_Jdom 2

Java 要从tesseract hOCR XML输出中选择的XPathExpression

java xpath

Java 要从tesseract hOCR XML输出中选择的XPathExpression,java,xpath,tesseract,jdom-2,Java,Xpath,Tesseract,Jdom 2,我有一个大致如下形状的文件： <?xml version="1.0" encoding="UTF-8"?> <!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" xml:lang="en

我有一个大致如下形状的文件：

<?xml version="1.0" encoding="UTF-8"?>
<!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" xml:lang="en" lang="en">
 <head>
  <title></title>
  <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
  <meta name='ocr-system' content='tesseract 3.02' />
  <meta name='ocr-capabilities' content='ocr_page ocr_carea ocr_par ocr_line ocrx_word'/>
 </head>
 <body>
  <div class='ocr_page' id='page_1' title='image "D:\DPC2\converted\60\60.tiff"; bbox 0 0 2479 3508; ppageno 0'>
       <!-- LOTS OF CONTENT -->
  </div>
 </body>
</html>

然后，我将JDOM 2.x与以下XPath查询一起使用：

//htmlFile is an input variable of type java.nio.Path
Document document = xmlBuilder.build(htmlFile.toFile());

XPathFactory factory = XPathFactory.instance();
XPathExpression<Element> xpePages = 
    factory.compile("//html/body/div[@class='ocr_page']", Filters.element());
List<Element> pages = xpePages.evaluate(document);

//htmlFile是java.nio.Path类型的输入变量
documentdocument=xmlBuilder.build（htmlFile.toFile（））；
XPathFactory=XPathFactory.instance（）；
XPathExpression xpePages=
compile（“//html/body/div[@class='ocr\u page']”，Filters.element（））；
列表页=xpePages.evaluate（文档）；

但它永远找不到任何元素，我在查询中做错了什么？

名称空间

xmlns=”http://www.w3.org/1999/xhtml“

表示XML文件中没有前缀的元素实际上在

http://www.w3.org/1999/xhtml

namespace，您需要在XPath表达式中使用前缀指定它：

XPathExpression<Element> xpePages = 
    factory.compile("/h:html/h:body/h:div[@class='ocr_page']",
                    Filters.element(),
                    null, // no variables
                    Namespace.getNamespace("h", "http://www.w3.org/1999/xhtml"));

XPathExpression xpePages=
compile（“/h:html/h:body/h:div[@class='ocr\u page']”，
Filters.element（），
null，//没有变量
getNamespace（“h”http://www.w3.org/1999/xhtml"));

必须使用前缀，因为在XPath中，没有前缀总是意味着没有命名空间

<html xmlns="http://www.w3.org/1999/xhtml"

如果您确信元素的名称空间中没有冲突，那么可以选择只使用

local-name（）

这是JDOM

XPathFactory

，而不是

javax.xml.xpath

one-namespace在JDOM中容易得多。

 //*[local-name()=='html' and namespace-uri()='http://www.w3.org/1999/xhtml']
 /*[local-name()='body' and namespace-uri()='http://www.w3.org/1999/xhtml']
 /* ... etc.

//*[local-name()=='html']/*[local-name()='body']* ...