XPath表达式

我不熟悉XPath。我有一个网页的html源代码

http://london.craigslist.co.uk/com/1233708939.html 

现在我想从上面的页面中提取以下数据

完整日期

电子邮件-仅在日期下方

我还想在页面上找到“回复此帖子”按钮的存在

http://sfbay.craigslist.org/sfc/w4w/1391399758.html

---

有人能帮我为上述三个数据编写三个XPath表达式吗。

您不需要自己编写，甚至不需要自己解决。如果您使用Firebug插件，请转到页面，右键单击所需元素，单击“检查元素”，Firebug将在浏览器底部的查看器中弹出HTML。右键单击HTML查看器中所需的元素，然后单击“复制XPath”

也就是说，您要寻找的XPath表达式（对于#3）是：

/html/body/div[4]/form/button

---

…通过上述方法获得。

从第一页开始，这是不可能的，因为xpath不是这样工作的。为了让xpath表达式选择“某物”必须是节点（即元素）的某物
第二个页面相当简单，但是您需要一个“id”属性来实现这一点（或者任何可以确保按钮唯一性的东西）。例如，如果您确定文本“回复此帖子”正确识别按钮，只需使用

---

//按钮[“回复此帖子”]

我注意到DTD是HTML 4/01过渡版，而不是第一个链接的XHTML，因此无法保证这是一个有效的XML文档，而且XML解析器可能无法正确加载它。事实上，我看到几个标签没有正确关闭（例如

---

，等等）

---

我现在还不知道第一个问题，第三个问题是Alex刚刚回答的，但第二个问题是/html/body/a[0]。

除了ristonj的回答之外，还有很多Ruby、Java的html清理程序，可以转换SGML文档（如HTML4.01）要以编程方式刮取页面，可以首先运行的XML。是的。我正在通过java程序抓取页面。首先，我获取页面的html源代码，然后想使用“regex”或“xpath”来获取所需的信息。如何使用HTML清理器将字符串格式的HTML源转换为SGML文档。有没有外部的图书馆。如果是，请告诉我jar文件的下载URL。主要关注的是程序的速度。@Yatendra Goel:我在过去的项目中使用WebHarvest库（）取得了巨大的成功。我建议你从那里开始。它允许您在随后运行的配置文件中声明性地定义刮刀，而不必“手动”在自己编写的代码中刮刀页面。然后，您可以将刮取的值存储在变量中，并检索它们以便在代码中使用，这比您目前所做的要容易得多。