Xslt 从XML格式的cdata文本中提取img src

我想从XML文件中提取img src值

测试输入：

<ROOT>
   <ITEM>
      <DESCRIPTION><![CDATA[<p align="left" dir="ltr">
    <span lang="EN">lorem ipsum</span></p>
<p>
    some text</p>
<p>
    <img alt="" src="https://example.com/hello.jpg" /></p>
]]></DESCRIPTION>
    </ITEM>
</ROOT>         

…但输出类似于：

src="https://example.com/hello.jpg

---

当然，我可以用sed之类的工具删除

src=“

，但也许有更好更干净的解决方案来提取链接？

您需要深入挖掘XPath 3或XSLT 3中的

解析xml片段

：

<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema"
    exclude-result-prefixes="#all"
    version="3.0">    

  <xsl:output method="text" indent="yes" html-version="5"/>

  <xsl:template match="/">
     <xsl:value-of select="ROOT/ITEM/DESCRIPTION/parse-xml-fragment(.)//img/@src"/>
  </xsl:template>

</xsl:stylesheet>

Saxon 9.9可以在.NET、Java和C/C++/Python版本中运行/使用XSLT 3

如果CDATA包含的HTML不是格式良好的X（HT）ML，那么可以使用David Carlisle在XSLT 2中（）实现的HTML解析器：

---

您需要深入挖掘XPath 3或XSLT 3中的

解析xml片段

：

<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema"
    exclude-result-prefixes="#all"
    version="3.0">    

  <xsl:output method="text" indent="yes" html-version="5"/>

  <xsl:template match="/">
     <xsl:value-of select="ROOT/ITEM/DESCRIPTION/parse-xml-fragment(.)//img/@src"/>
  </xsl:template>

</xsl:stylesheet>

Saxon 9.9可以在.NET、Java和C/C++/Python版本中运行/使用XSLT 3

如果CDATA包含的HTML不是格式良好的X（HT）ML，那么可以使用David Carlisle在XSLT 2中（）实现的HTML解析器：

---

如果您的CDATA节不是在CDATA节中，那么它将是格式良好的XML，那么您可以通过管道将xmllint的输出传输到xmllint，从而将CDATA解析为XML

在您的特定示例中，您必须将输出包装到另一个元素中（示例中为

x

），以使其格式良好

例如

xmllint --xpath 'concat("<x>",string(//ROOT/ITEM/DESCRIPTION),"</x>")' input.xml | xmllint --xpath 'string(//img/@src)' -

---

如果您的CDATA节不是在CDATA节中，那么它将是格式良好的XML，那么您可以通过管道将xmllint的输出传输到xmllint，以便将CDATA解析为XML

在您的特定示例中，您必须将输出包装到另一个元素中（示例中为

x

），以使其格式良好

例如

xmllint --xpath 'concat("<x>",string(//ROOT/ITEM/DESCRIPTION),"</x>")' input.xml | xmllint --xpath 'string(//img/@src)' -

---

如果我在示例XML上运行这个XSLT，它会工作，但是如果我在实际XML上运行它，我会得到错误：

在stage-2第11行第88列的xsl:value of/@select的char 46处出错。XSLT:FODC0006:parse-XML-fragment（）的第一个参数不是格式正确且命名空间格式正确的XML片段。XML解析器报告：org.XML.sax.SAXParseException；systemId:file:./stage-2.xslt；行号：2；

列号：176；引用了实体“ndash”，但未声明。parse-XML-fragment（）的第一个参数不是格式正确且命名空间格式正确的XML片段。XML解析器报告：org.XML.sax.SAXParseException；systemId:file:./stage-2.xslt；行号：2；列号：176；实体“ndash”“已被引用，但未声明。

奇怪，我正在运行来自Saxonica的Saxon HE 9.8.0.8J。输入XML没有问题，至少如果我在浏览器中打开它，我不会得到任何错误，我们无法针对您在问题中未显示的输入编写代码，但错误消息清楚地表明，我尝试使用

parse xml fragment

解析的CDATA节内容不是格式良好的片段，因为它似乎引用了一个类似

ndash

的实体，HTML解析器知道该实体，但除非有DTD，否则xml解析器不知道。因此，

parse xml fragment

无法解析该内容，您可能需要一个HTML解析器将CDATA部分内容提供给，Saxon PE和EE对此有扩展，他没有。您可以使用David Carlisle在纯XSLT 2中完成的HTML解析器。有一个带有实体引用的示例，HTML解析器似乎可以很好地解析该实体引用。如果我在示例XML上运行此XSLT，它会工作，但如果我在实际XML上运行它，我会得到错误：

错误，位于stage-2第11行第88列的xsl:value of/@select的char 46处。XSLT:FODC0006:parse-XML-fragment（）的第一个参数不是格式良好且命名空间格式良好的XML片段。XML解析器报告：org.XML.sax.SAXParseException；systemId:file:./stage-2.xslt；行号：2
列号：176；实体“ndash”已被引用，但未声明。parse-xml-fragment（）的第一个参数不是格式良好且命名空间格式良好的xml片段。XML解析器报告：org.XML.sax.SAXParseException；systemId:file:./stage-2.xslt；行号：2；栏目号：176；实体“ndash”已被引用，但未声明。
奇怪，我正在运行来自Saxonica的Saxon HE 9.8.0.8J。输入XML没有问题，至少如果我在浏览器中打开它，我不会得到任何错误，我们无法针对您在问题中未显示的输入编写代码，但错误消息清楚地表明，我尝试使用
parse xml fragment
解析的CDATA节内容不是格式良好的片段，因为它似乎引用了一个类似
ndash
的实体，HTML解析器知道该实体，但除非有DTD，否则xml解析器不知道。因此，
parse xml fragment
无法解析该内容，您可能需要一个HTML解析器将CDATA部分内容提供给，Saxon PE和EE对此有扩展，他没有。您可以使用David Carlisle在纯XSLT 2中完成的HTML解析器。有一个例子，其中有一个实体引用，HTML解析器似乎解析得很好。@BélaNem-Yes如果有多个
img
元素，它将只输出第一个元素的src值（因为xmllint使用xpath 1.0）。您可能会切换到xmlstarlet并迭代每个
img
。如果稍后有时间，我将添加一个示例。@BélaNem-Yes如果有多个
img
元素，它将只输出第一个元素的src值（因为xmllint使用xpath 1.0）。您可能会切换到xmlstarlet并迭代每个
img
。如果我稍后有时间，我将添加一个示例。
https://example.com/hello.jpg