我是XPath新手。我有网页的HTML源XPath表达式
http://london.craigslist.co.uk/com/1233708939.html
现在我想从上面的页面中提取
我也想找到页面上存在的按钮“回复此帖”
http://sfbay.craigslist.org/sfc/w4w/1391399758.html
任何人都可以帮我写上述三个数据的三个XPath表达式。
你不需要自己写这些，甚至不需要自己写出来。如果你使用Firebug插件，进入页面，右键单击你想要的元素，点击'检查元素'，Firebug将在浏览器底部的浏览器中弹出HTML。在HTML查看器中右键单击所需的元素，然后单击“复制XPath”。
这就是说，你正在寻找（对于＃3）中的XPath表达式为：
/HTML /体/格[4] /形式/按钮
...通过所述的方法获得如上所述。
从你的第一页开始，这是不可能的，因为这不是xpath的工作方式。为了让xpath表达式选择“某些东西”必须是节点（即元素）的东西
第二页相当容易，但为了做到这一点（或任何可以使确定你的按钮是唯一的）。例如，如果你确信文本“回复这个帖子”正确识别按钮只是做与
//button["Reply to this post"]
我注意到DTD HTML是为4/01第一环节过渡，而不是XHTML，所以有不能保证这是一个有效的XML文档，并且它可能不会被XML解析器正确加载。事实上，我看到几个标签没有正确关闭（即<小时>等）
我不知道第一个手头，第三个只是由亚历克斯回答，但第二个是/ html/body/a [0]。
除了ristonj的回应，还有许多用于Ruby，Java的[[你命名它]）的HTML消毒器，它将把SGML文档（如HTML 4.01）转换为XML，如果你想以编程方式。 – 2009-09-25 15:11:59
是马歇尔。我通过Java程序来抓取页面。首先，我得到页面的html源代码，然后想要使用“正则表达式”或“xpath”来刮取所需的信息。我如何使用HTML消毒器将字符串格式的html源文件转换为SGML文档。有没有任何外部库。如果是，那么请告诉我该jar文件的下载URL。 主要关心的是程序的速度。 – 2009-09-25 15:18:41
@Yatendra Goel：我已经使用WebHarvest库（http://web-harvest.sourceforge.net）在过去的项目中取得巨大成功。我建议你从那里开始。它可以让你声明性地在配置文件中定义刮刀，然后运行它，而不必“手动”地刮写自己编写的代码页面。然后，您可以将变量值存储在变量中，并检索它们以便在您的代码中使用，这比您目前的操作要容易得多。 – 2009-09-25 17:19:24