javascript - YQL 不按文档顺序返回带有联合运算符 (a|b) 的 xpath 选择查询

Question

我对 XPath 的第一次尝试 - 我正在努力寻找 YQL 选择查询的 XPath 条件，该查询从 HTML 页面按顺序输出不同的同级元素。我可以获得所有单独的元素，每个元素都有自己的顺序(所以 <p1>, <p2>, <p3> 和 <ul1>, <ul2>, <ul3> 等)，但不是按照它们在源 HTML 文档中遇到的顺序 - 比如 <p1> <ul1> <ul2> <ul3> <p2> <p3> .

我目前的“最适合”是:

select * from html WHERE url = "URL of web page" AND xpath = "//div[@class = \'div class\']/p | //div[@class = \'div class\']/ul"

转换为 XPath:

//div[@class = 'div class']/p | //div[@class = 'div class']/ul

我可以很容易地得到很多像 //div[@class = 'div class']/text() 这样的文本，但后来我丢失了格式。有什么方法可以让 YQL 维护所选不同元素的顺序吗？还是我完全误解了 XPath 的工作原理？

编辑:示例 HTML 结构:

<div class = "class">
  <p>Some text</p>
  <p>Following is a list:</p>
  <ul>
    <li>item1</li>
    <li>item2</li>
    <li>item3</li>
  </ul>
  <p>Still more text</p>
</div>

我当前的 XPath 代码(以上)返回 <p>元素和 <ul>元素分开，而 <p>元素是按顺序排列的，无法确定 <ul> 的确切位置元素是(它可以从一页到另一页不同)。因此，我无法从 XPath 重建 HTML。如果我使用 /text() ，按从上到下的顺序返回全文，但没有格式(忽略 <p> 和 <ul> 标签)——只有一行文本，各个元素之间没有空格。如果<ul>标签在里面 <p>标签(后代而不是 sibling )，就不会有问题。该问题仅存在于不同类型的兄弟元素中。

为了复制我所看到的行为，我使用了以下内容:

SELECT * FROM html 
   WHERE url = "http://www.smh.com.au/sport/soccer/matildas-fuming-after-ffa-rejects-paid-mater‌​nity-leave-proposal-20150911-gjkq81.html" 
   AND xpath = "//div[@class = 'articleBody']/*[self::ul or self::p]"

Answer 1

根据您的评论进行编辑:

您可能会以 XML 以外的形式查看结果。例如，如果您将其视为 JSON，则该格式没有预定义的 map 顺序。如果您将其视为 XML，则顺序应该符合预期。

---

原答案，留作引用:

My current XPath code (above) returns the <p> elements and the <ul> element separately

我认为这是 XPath 引擎中的错误 yql正在使用。 XPath 语言，它的任何版本，都明确规定在将集合与联合运算符 | 组合后，元素必须按文档顺序返回。 ，这通常与它们在 XML¹ 中出现的顺序相同。

您可以尝试使用以下 XPath 修复此错误行为，它首先选择所有子项，然后然后过滤器:

//div[@class = 'div class']/*[self::p or self::ul]

我认为它也更易于阅读。

注意:您不需要使用 \' 来转义单引号如果你用双引号引用字符串。

¹ 命名空间和属性节点没有顺序，但顺序必须是稳定的，即两次选择相同节点的调用将以相同的顺序返回它们。