python - Xpath 获取具有特定字符串的标签及其所有后续兄弟，直到另一个特定字符串在标签中

Question

我对使用 Xpath 还很陌生。我正在尝试从法律法规网站中提取一些信息，现在我只想:

1. 找到一个包含字符串“Article 1”的标签。
2. 从 (1) 中的那个标签开始获取它以及之后的所有内容，直到其中一个标签在 <b> 中包含另一个字符串“PRIME Minister”标签。

<p>
  <b> <span> Article 1. </span> </b> 
  <span> 
     To approve the master plan on development 
     of tourism in Northern Central Vietnam 
     with the following principal contents: 
  </span>
</p>

<p>
  <span>
    1. Development viewpoints
  </span>
</p>

<p>
  <span>To realize general viewpoints of the strategy for and master plan on development of Vietnam’s tourism through 2020.
  </span>
</p>

<p>
  <span>PRIME MINISTER: Nguyen Tan Dung</span>
</p>

<p>
  <span>
    <b> PRIME MINISTER </b>
  </span>
</p>

<p>
  <b> <span> Article 2. </span> </b> 
  <span> 
     .................
  </span>
</p>

<p>
  <span> PRIME MINISTER: Nguyen Tan Dung</span>
</p>

预期的输出，我应该有一个类似于

的列表

[ 
'Article 1.' , 
  'To approve the master plan on development of tourism in Northern 
   Central Vietnam with the following principal contents: ',
  '1. Development viewpoints' ,
  'To realize general viewpoints of the strategy for and master plan on 
   development of Vietnam’s tourism through 2020.' ,
  'PRIME MINISTER: Nguyen Tan Dung',
  'PRIME MINISTER'
]

列表中的第一项是“第 1 条”。列表中的最后一项是 <b> 中的“PRIME MINISTER”标签

Answer 1

“直到”和“之间”查询在 XPath 中出奇地困难，即使是比 1.0 更高的 XPath 版本也是如此。

如果我们从更高版本回溯，在 XPath 3.1 中，您可以执行如下操作:

let $first := p[contains(., 'Article 1')],
    $last := p[contains(., 'PRIME MINISTER']
return $first, p[. >> $first and . << $last], $last

在 XPath 2.0 中我们没有 let ，但是for效果一样好，只是读起来有点奇怪。

但是在 1.0 中 (a) 我们不能绑定(bind)变量，并且 (b) 我们没有 <<和 >>运营商，这使得它变得更加困难。

最简单的表达大概是

p[(.|preceding-sibling::p)[contains(., 'Article 1')] and 
  (.|following-sibling::p)[contains(., 'PRIME MINISTER')]]

不幸的是，如果没有一个非常聪明的优化器，对于一个大的输入文档，这可能会非常低效(两个 contains() 测试都将执行大约 (N^2)/2 次，其中 N 是段落数)。如果您受限于 XPath 1.0，那么最好使用 XPath 来查找“开始”和“结束”节点，然后使用宿主语言来查找其间的所有节点。