使用xpath从html构建文本_Xpath

使用xpath从html构建文本

xpath

使用xpath从html构建文本,xpath,Xpath,我从服务器上收到一个类似下面的html。我通过使用XPath exp@”//text（）并将“nodeContent”值附加到字符串来重建文本部分。代码如下所示： for (int i=2; i<[resultXPathQuery count]; i++) { [mytext appendString:[[resultXPathQuery objectAtIndex:i] objectForKey:@"nodeContent"]]; [mytext appendString

我从服务器上收到一个类似下面的html。我通过使用XPath exp@”//text（）并将“nodeContent”值附加到字符串来重建文本部分。代码如下所示：

for (int i=2; i<[resultXPathQuery count]; i++) {
    [mytext appendString:[[resultXPathQuery objectAtIndex:i] objectForKey:@"nodeContent"]];
    [mytext appendString:@"\n"];
}

考虑到空节点，如何构建文本部分？
我希望获得：

Line 1
line 2

line 3



line 4

标题
ol{margin:0；padding:0}p{margin:0}
.c0{字体大小：12pt；背景色：#ffffff；字体系列：Times New Roman}
.c6{宽度：432.0pt；背景色：#ffffff；填充：72.0pt 90.0pt 72.0pt 90.0pt}
.c7{颜色：#aaaaa；字体系列：泰晤士报新罗马版}
.c3{color:#0000ee；文本装饰：下划线}
.c5{颜色：继承；文本装饰：继承}
.c2{字体大小：12pt；字体系列：Times New Roman}
.c4{高度：12pt}.c1{方向：ltr}
正文{color:#000000；字体大小：12pt；字体系列：Times New Roman}
h1{填充顶部：12.0pt；线条高度：1.0；文本对齐：左；颜色：#000000；字体大小：24pt；字体-系列：Times New Roman；字体重量：粗体；填充底部：12.0pt}
h2{填充顶部：11.25pt；线宽：1.0；文本对齐：左；颜色：#000000；字体大小：18pt；字体系列：Times New Roman；字体重量：粗体；填充底部：11.25pt}
h3{填充顶部：12.0pt；线宽：1.0；文本对齐：左；颜色：#000000；字体大小：14pt；字体系列：Times New Roman；字体重量：粗体；填充底部：12.0pt}
h4{填充顶部：12.75pt；线宽：1.0；文本对齐：左；颜色：#000000；字体大小：12pt；字体系列：Times New Roman；字体重量：粗体；填充底部：12.75pt}
h5{填充顶部：12.75pt；线宽：1.0；文本对齐：左；颜色：#000000；字体大小：9pt；字体系列：Times New Roman；字体重量：粗体；填充底部：12.75pt}
h6{填充顶部：18.0pt；线宽：1.0；文本对齐：左；颜色：#000000；字体大小：8pt；字体系列：Times New Roman；字体重量：粗体；填充底部：18.0pt}
头衔


第1行
第2行

第3行



第4行

编辑

实际上，我注意到html可能更“复杂”，所以选择所有的span元素或p元素是不够的。此外，在同一个p元素中可以出现更多的span元素，因此在这种情况下，我不必在字符串中创建新行

这是一个更复杂的返回html的主体：

<body class="c13">
<p class="c5"><span>gfgfgfd</span></p>
<p class="c1"><span></span></p>
<p class="c5 c10"><span>ghhgfhgfh hghg hgkfhjgk ghjgkh ghjgjhg gjhjg gjhj gjhgjhgjhg gfhjkgjg jghjgfhjgf fghfj jghfj fghjggf jhgjgjgkjg</span></p>
<p class="c1 c10"><span></span></p>
<p class="c4"><span>gfgfgfd</span></p>
<p class="c4"><span>f</span></p>
<p class="c4">
     <span>gfdgfdg</span>
     <span class="c7">hg</span></p>
<p class="c4"><span class="c7">ghgfhgfh</span></p>
<p class="c4"><span class="c7">gfhgfhgf</span></p>
<p class="c5">
     <span class="c7">hgfh </span>
     <span class="c0">gfdgfg</span></p>
<p class="c5"><span class="c0">fgfdgfdgfd</span></p>
<p class="c5"><span class="c0">gdfgdfgfd</span></p>
<p class="c5"><span class="c0">gfgf</span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0 c8"><a class="c12" href="http://www.google.com">www.google.com</a></span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0">fgfdgfdg</span></p>
<p class="c5">
     <span class="c0">fgffgfdgfg</span>
     <span class="c0 c11">gfgfdgfd fgd fd</span>
     <span class="c0">fdgfdg</span></p>
<p class="c5"><span class="c0">fgfdgfdgf</span></p>
<p class="c5"><span class="c0">gfd</span></p>
<p class="c5"><span class="c0">gfgf</span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0 c8"><a class="c12" href="mailto:….">...</a></span></p>
<p class="c1"><span class="c0"></span></p>
<ol class="c9" start="1">
<li class="c3"><span class="c0">gfgfd</span></li>
<li class="c3"><span class="c0">gfdgfd</span></li>
<li class="c3"><span class="c0">gfdgfd</span></li>
<li class="c3"><span class="c0">gdfgfd</span></li>
</ol>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0">hgfhgf</span></p>
<p class="c5"><span class="c0">gfhgfh</span></p>
<p class="c5"><span class="c0">hgfhgf</span></p>
<p class="c1"><span class="c0"></span></p>
<ol class="c2" start="1">
<li class="c3"><span class="c0">gfhg</span></li>
<li class="c3"><span class="c0">hgfh</span></li>
<li class="c3"><span class="c0">hgf</span></li>
</ol>
<p class="c1"><span class="c0"></span></p>
<h1 class="c5 c15"><a name="h.kafwflosthlg"></a><span class="c7 c14">hgfhgfh</span></h1>
<p class="c1"><span class="c6"></span></p>
<p class="c1"><span class="c6"></span></p>
<p class="c1"><span class="c6"></span></p>
</body>


gfd

GHHGFHGFHGFHGHHGKFHJGK GHJGJKH GHJGJGJJGJJGJJGJJJGJJGJJJGJJGJGJGJGJGJGJGFFGHFJ JGJGHFJJJGJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJJ

gfd
f

gfdgfdg
汞
ghgfhgfh
gfhgffhgf

hgfh
gfdgfg
fgfdgdgf
gdfgdfgfd
gfgf



fgfdg

fgffgfdgfg
GFDGFD烟气脱硫fd
fdgfdg
fgfdgfdgf
gfd
gfgf



GFD
gfdgfd
gfdgfd
gdfgfd

hgfhgf
gfhgfh
hgfhgf

gfhg
hgfh
hgf

hgfhgfh

我需要一个XPath表达式来选择p、h1、h2、…、h6、li元素，并考虑内部文本部分，以便正确检测新行和空行。

对于上面的示例，您可以使用

//span

返回所有

元素，而不管它们的内容如何。看起来您正在进行一些其他筛选，因为//text（）还应该从

返回CSS块和

标题，首先
我更愿意使用正则表达式：
抓取body标记之间的所有内容（也可以使用XPath进行抓取）
将
替换为
\n
条状标签
是的，在for语句中，var i从2开始，因此我省略了内联css和标题。我必须做一些其他的尝试来检查服务器（GDocs）是否总是使用这样的表单。在这种情况下，如何将//span与//text（）一起使用？此外，您知道如何在不包含其他元素的情况下获取span元素，例如，获取不包含img元素的所有span元素吗？@Objnewbie-@“nodeContent”
应返回节点的文本值（在本例中为的文本值）。当没有文本值时，您必须进行实验以确定它是空字符串还是nil。要仅获取不包含img元素的span，请使用类似于//span[not（img）]`的内容。谢谢。我注意到返回的html可能比上面的（第一个）更“复杂”，正如您在第二个示例中看到的那样。
<html><head><title>A title</title><style type="text/css">
ol{margin:0;padding:0}p{margin:0}
.c0{font-size:12pt;background-color:#ffffff;font-family:Times New Roman}
.c6{width:432.0pt;background-color:#ffffff;padding:72.0pt 90.0pt 72.0pt 90.0pt}
.c7{color:#aaaaaa;font-family:Times New Roman}
.c3{color:#0000ee;text-decoration:underline}
.c5{color:inherit;text-decoration:inherit}
.c2{font-size:12pt;font-family:Times New Roman}
.c4{height:12pt}.c1{direction:ltr}
body{color:#000000;font-size:12pt;font-family:Times New Roman}
h1{padding-top:12.0pt;line-height:1.0;text-align:left;color:#000000;font-size:24pt;font-  family:Times New Roman;font-weight:bold;padding-bottom:12.0pt}
h2{padding-top:11.25pt;line-height:1.0;text-align:left;color:#000000;font-size:18pt;font-family:Times New Roman;font-weight:bold;padding-bottom:11.25pt}
h3{padding-top:12.0pt;line-height:1.0;text-align:left;color:#000000;font-size:14pt;font-family:Times New Roman;font-weight:bold;padding-bottom:12.0pt}
h4{padding-top:12.75pt;line-height:1.0;text-align:left;color:#000000;font-size:12pt;font-family:Times New Roman;font-weight:bold;padding-bottom:12.75pt}
h5{padding-top:12.75pt;line-height:1.0;text-align:left;color:#000000;font-size:9pt;font-family:Times New Roman;font-weight:bold;padding-bottom:12.75pt}
h6{padding-top:18.0pt;line-height:1.0;text-align:left;color:#000000;font-size:8pt;font-family:Times New Roman;font-weight:bold;padding-bottom:18.0pt}</style>
</head>
<body class="c6">
<p class="c1"><span class="c2">A title</span></p>
<p class="c1 c4"><span class="c2"></span></p>
<p class="c4 c1"><span class="c2"></span></p>
<p class="c1"><span class="c7">Line 1</span></p>
<p class="c1"><span class="c7">line 2</span></p>
<p class="c4 c1"><span class="c7"></span></p>
<p class="c1"><span class="c7">line 3</span></p>
<p class="c4 c1"><span class="c7"></span></p>
<p class="c4 c1"><span class="c7"></span></p>
<p class="c3 c2"><span class="c1"></span></p>
<p class="c1"><span class="c7">line 4</span></p>
</body></html>

<body class="c13">
<p class="c5"><span>gfgfgfd</span></p>
<p class="c1"><span></span></p>
<p class="c5 c10"><span>ghhgfhgfh hghg hgkfhjgk ghjgkh ghjgjhg gjhjg gjhj gjhgjhgjhg gfhjkgjg jghjgfhjgf fghfj jghfj fghjggf jhgjgjgkjg</span></p>
<p class="c1 c10"><span></span></p>
<p class="c4"><span>gfgfgfd</span></p>
<p class="c4"><span>f</span></p>
<p class="c4">
     <span>gfdgfdg</span>
     <span class="c7">hg</span></p>
<p class="c4"><span class="c7">ghgfhgfh</span></p>
<p class="c4"><span class="c7">gfhgfhgf</span></p>
<p class="c5">
     <span class="c7">hgfh </span>
     <span class="c0">gfdgfg</span></p>
<p class="c5"><span class="c0">fgfdgfdgfd</span></p>
<p class="c5"><span class="c0">gdfgdfgfd</span></p>
<p class="c5"><span class="c0">gfgf</span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0 c8"><a class="c12" href="http://www.google.com">www.google.com</a></span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0">fgfdgfdg</span></p>
<p class="c5">
     <span class="c0">fgffgfdgfg</span>
     <span class="c0 c11">gfgfdgfd fgd fd</span>
     <span class="c0">fdgfdg</span></p>
<p class="c5"><span class="c0">fgfdgfdgf</span></p>
<p class="c5"><span class="c0">gfd</span></p>
<p class="c5"><span class="c0">gfgf</span></p>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0 c8"><a class="c12" href="mailto:….">...</a></span></p>
<p class="c1"><span class="c0"></span></p>
<ol class="c9" start="1">
<li class="c3"><span class="c0">gfgfd</span></li>
<li class="c3"><span class="c0">gfdgfd</span></li>
<li class="c3"><span class="c0">gfdgfd</span></li>
<li class="c3"><span class="c0">gdfgfd</span></li>
</ol>
<p class="c1"><span class="c0"></span></p>
<p class="c5"><span class="c0">hgfhgf</span></p>
<p class="c5"><span class="c0">gfhgfh</span></p>
<p class="c5"><span class="c0">hgfhgf</span></p>
<p class="c1"><span class="c0"></span></p>
<ol class="c2" start="1">
<li class="c3"><span class="c0">gfhg</span></li>
<li class="c3"><span class="c0">hgfh</span></li>
<li class="c3"><span class="c0">hgf</span></li>
</ol>
<p class="c1"><span class="c0"></span></p>
<h1 class="c5 c15"><a name="h.kafwflosthlg"></a><span class="c7 c14">hgfhgfh</span></h1>
<p class="c1"><span class="c6"></span></p>
<p class="c1"><span class="c6"></span></p>
<p class="c1"><span class="c6"></span></p>
</body>