使用XPath从具有不必要的命名空间的文档中提取XOM元素

问题描述：

我想解析由XOM的外部系统返回的一些HTML。该HTML如下：（其实它显著理出头绪，但它有这个DOCTYPE声明，这些名字空间和语言的声明，以上展品HTML同样的问题，因为真正的HTML）使用XPath从具有不必要的命名空间的文档中提取XOM元素

<!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"> 
<body> 
    <div> 
    Help I am trapped in a fortune cookie factory 
    </div> 
</body> 
</html>

我想要做的是提取<div>的内容，但命名空间声明似乎令XPath变得令人困惑。如果我带出空间声明（用手，从文件），下面的代码查找<div>，没问题：

Document document = ... 
Nodes divs = document.query("//div");

但与命名空间，返回Nodes的大小为0。

好的，如果我以编程方式剥离命名空间，怎么样？

Element rootElement = document.getRootElement(); 
rootElement.removeNamespaceDeclaration(rootElement.getNamespacePrefix());

...看起来应该可以工作，但什么都不做。从javadoc：

此方法仅删除与addNamespaceDeclaration.

好增加额外的命名空间，我想，我会提供命名空间查询：

XPathContext context = 
    XPathContext.makeNamespaceContext(document.getRootElement()); 
Nodes divs = document.query("//div", context);

大小仍为零。

如何手动构建名称空间上下文？

XPathContext context = context = new XPathContext(
    rootElement.getNamespacePrefix(), rootElement.getNamespaceURI()); 
Nodes divs = document.query("//div", context);

的XPathContext构造吹了：

nu.xom.NamespaceConflictException: 
    XPath expressions do not use the default namespace

所以，我在寻找之一：

一个方法，使这项工作查询，或
方式以编程方式剥离名称空间声明或
解释正确的a pproach，假设这两个都是错误的。

更新：基于上Lev Levitsky's answer和Jaxen FAQ我想出了下面的技巧：

XPathContext context = new XPathContext(
    "foo", 
    document.getRootElement().getNamespaceURI()); 
Nodes divs = document.query("//foo:div");

这仍似乎有点疯狂的给我，但我想它的方式Jaxen的要你做事。

更新＃2：正如下面和all over the Internet指出，这不是Jaxen的的错;它只是XPath的XPath。

所以，虽然这个黑客的作品，我仍然喜欢一种方式来剥离命名空间声明。最好不要XSLT。

这是XPath的工作原理与命名空间的方式，它不依赖于Jaxen的：如果你想匹配与命名空间的东西，你必须在XPath – MiMo 2012-03-13 01:21:33

使用一个明确的前缀是的，在进一步的阅读中我看到了。所以，好吧，Jaxen没有责备，但它似乎仍然有点疯狂。或者，充其量是迂腐的，主要是为了在不切实际的用例中达到最大的正确性。 – 2012-03-14 23:17:54

答

您应接受什么直接指定命名空间像

Nodes divs = document.query("//{http://www.w3.org/1999/xhtml}div");

或使用映射到相应的命名空间前缀（我猜这就是NamespaceContext是，但是没有前缀在查询）。

不幸的是，我不知道它是如何在Java中实现的，但是如果有帮助的话，我可以提供一个Python示例。

答

你可以写：

Nodes divs = document.query("//*[local-name()='div' and namespace-uri()='http://www.w3.org/1999/xhtml']");

使用XPath从具有不必要的命名空间的文档中提取XOM元素

相关推荐