c# - HTMLAgilityPack 中的 XPath 选择不能按预期工作

Question

我正在用 C# 编写简单的屏幕抓取程序，为此我需要选择一个名为“aspnetForm”的单一表单内的所有输入(页面上有 2 个表单，我不希望输入来自另一个)，并且此表单中的所有输入都放置在不同的表、div 中，或仅放在此表单的第一个子级。

所以我编写了非常简单的 XPath 查询:

//form[@id='aspnetForm']//input

它在我测试的所有浏览器(Chrome、IE、Firefox)中都按预期工作 - 它返回我想要的。

但在 HTMLAgilityPack 中它根本不起作用 - SelectNodes 总是返回 NULL。

我为测试编写的这个查询工作正常，但返回的不是我想要的。首先为我的表单选择所有第一个 child 的输入，然后选择返回的表单:

//form[@id='aspnetForm']/input
//form[@id='aspnetForm']

是的，我知道我可以枚举上次查询的节点，或者在其结果上创建另一个 SelectNodes，但我真的不想这样做。我想使用与浏览器中相同的查询。

目前 XPath 在 HTMLAgilityPack 中有问题吗？ C# 有任何替代的 XPath 实现吗？

更新:测试代码:

using HtmlAgilityPack;
using Microsoft.VisualStudio.TestTools.UnitTesting;

namespace HtmlAGPTests
{
    [TestClass]
    public class XPathTests
    {
        private const string html =
                "<form id=\"aspnetForm\">" +
                "<input name=\"first\" value=\"first\" />" +
                "<div>" +
                    "<input name=\"second\" value=\"second\" />" +
                "</div>" +
                "</form>";

        private static HtmlNode GetHtmlDocumentNode()
        {
            var document = new HtmlDocument();
            document.LoadHtml(html);
            return document.DocumentNode;
        }

        [TestMethod]
        public void TwoLevelXpathTest()     // fail - nodes is NULL actually.
        {
            var query = "//form[@id='aspnetForm']//input";  // what i want
            var documentNode = GetHtmlDocumentNode();

            var inputNodes = documentNode.SelectNodes(query);

            Assert.IsTrue(inputNodes.Count == 2);
        }

        [TestMethod]
        public void TwoSingleLevelXpathsTest()     // works
        {
            var formQuery = "//form[@id='aspnetForm']";
            var inputQuery = "//input";
            var documentNode = GetHtmlDocumentNode();

            var formNode = documentNode.SelectSingleNode(formQuery);
            var inputNodes = formNode.SelectNodes(inputQuery);

            Assert.IsTrue(inputNodes.Count == 2);
        }

        [TestMethod]
        public void SingleLevelXpathTest()     // works
        {
            var query = "//form[@id='aspnetForm']";
            var documentNode = GetHtmlDocumentNode();

            var formNode = documentNode.SelectSingleNode(query);

            Assert.IsNotNull(formNode);
        }

    }
}

Answer 1

测试中出现意外行为是因为 html 包含 <form>元素。这是相关的讨论:

Ariman : "I've found that after parsing any node does not have any child nodes. All nodes that should be inside the form (, , etc.) are created as it's siblings rather then children.

VikciaR : "In Html specification form tag can overlap, so Htmlagilitypack handle this node a little different..."

[CodePlex discussion : No child nodes for FORM objects ]

按照 VikciaR 的建议，尝试像这样修改您的测试代码初始化:

private static HtmlNode GetHtmlDocumentNode()
{
    var document = new HtmlDocument();
    document.LoadHtml(html);
    
    //execute this line once
    HtmlNode.ElementsFlags.Remove("form");
    
    return document.DocumentNode;
}

旁注: inputQuery测试方法中的值 TwoSingleLevelXpathsTest()应该是 .//input .注意开头的点 ( . ) 表示此查询是相对于当前节点的。否则它将从根开始搜索，忽略前一个 formQuery (没有点，您可以将 formQuery 更改为任何内容，只要它不返回 null，inputQuery 将始终返回相同的结果)。