Xquery для извлечения текста в html

Question

Я работаю над извлечением текста из html-документов и хранением в базе данных. Я использую инструмент webharvest для извлечения содержимого. Однако я как бы застрял в точке. Внутри webharvest я использую выражение XQuery inorder для извлечения данных. HTML документ, который я разбор выглядит следующим образом:

   <td><a name="hw">HELLOWORLD</a>Hello world</td> 

Мне нужно извлечь «Hello World» текст из приведенных выше HTML сценария.

Я попытался извлекая текст таким образом:

 $hw :=data($item//a[@name='hw']/text()) 

Однако то, что я всегда получаю «HelloWorld» вместо «Привет мир».

Есть ли способ извлечь «Hello World». Пожалуйста помоги.

Что делать, если я хочу сделать это таким образом:

<td> 
<a name="hw1">HELLOWORLD1</a>Hello world1 
<a name="hw2">HELLOWORLD2</a>Hello world2 
<a name="hw3">HELLOWORLD3</a>Hello world3 
</td> 

Я хотел бы, чтобы извлечь текст Привет мир 2, который находится в betweeb HW2 и Hw3. Я бы не хотел использовать text() [3], но есть ли способ извлечь текст из/a [@ name = 'hw2'] и/a [@ name = 'hw3'].

Answer 1

Ваш XPath является выбор текст a узлов, а не текст td узлов:

$item//a[@name='hw']/text() 

изменить его к этому:

$item[a/@name='hw']/text() 

Update (после комментариев и обновления на вопрос):

Этот xpath выбирает второй текстовый узел из $item, которые имеют a тег, содержащий атрибут name набор для hw:

$item[a/@name='hw']//text()[2] 

Answer 2

Это обрабатывает ваш расширен случай, в то время позволяя вам выбирать по значению атрибута, а не положение:

let $item := 
    <td> 
    <a name="hw1">HELLOWORLD1</a>Hello world1 
    <a name="hw2">HELLOWORLD2</a>Hello world2 
    <a name="hw3">HELLOWORLD3</a>Hello world3 
    </td> 

return $item//node()[./preceding-sibling::a/@name = "hw2"][1] 

Это получает первый узел который имеет элемент «a» предыдущего родителя с атрибутом name «hw2».

Answer 3

Я не хотел бы использовать текст() [3], но есть какой-то способ, которым я мог бы извлечь текст между /a[@name='hw2'] and /a[@name='hw3'].

Если есть только один текстовый узел между двумя <a> элементами, то следующий будет довольно просто:

/a[@name='hw3']/preceding::text()[1]

Если есть более чем один текстовые узлы между этими двумя элементами, то вам нужно выразить пересечение всех текстовых узлов, следующих за первым элементом, со всеми текстовыми узлами, предшествующими второму элементу.Формула для пересечения двух nodesets (так называемый Kaysian метод пересечения) составляет:

$ns1[count(.|$ns2) = count($ns2)]

Таким образом, просто заменить в приведенном выше выражении $ns1 с:

/a[@name='hw2']/following-sibling::text()

и $ns2 с:

/a[@name='hw3']/preceding-sibling::text()

Наконец, если у вас действительно есть XQuery (или XPath 2), то это просто:

/a[@name='hw2']/following-sibling::text() 

intersect 

    /a[@name='hw3']/preceding-sibling::text()