powershell - HtmlAgilityPack根据单元格值获取表

Question

我有1000多个HTML文档，每个文档包含多个表，并使用PowerShell对其进行处理。

我正在寻找提取特定的表，这些表可以通过第一行进行标识，该行用于标题，并且其中一个单元格始终带有“ measurement”一词。

由于HTML是.doc导出，因此该单词可以嵌套在<span>或<p>中，因此理想情况下，我可以忽略该嵌套级别。

我已经尝试过类似的方法：

$tables = $doc.DocumentNode.SelectNodes("//table[* = 'measurement']")

但什么也得不到。

这里还有更多HTML，不幸的是我无法全部发布，但这是MS Word导出为HTML文档：

<table class=MsoNormalTable border=1 cellspacing=0 cellpadding=0
   style='border-collapse:collapse;mso-table-layout-alt:fixed;border:none;
   mso-border-alt:double windowtext 1.5pt;mso-padding-alt:0in 5.4pt 0in 5.4pt'>
<tr style='mso-yfti-irow:0;mso-yfti-firstrow:yes'>
   <td width=192 valign=top style='width:2.0in;border:solid windowtext 1.0pt;
      padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Areas</span></p>
   </td>
   <td width=288 valign=top style='width:3.0in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>measurements</span></p>
   </td>
   <td width=346 valign=top style='width:3.6in;border:solid windowtext 1.0pt;
      border-left:none;mso-border-left-alt:solid windowtext 1.0pt;padding:0in 5.4pt 0in 5.4pt'>
      <p class=MsoHeading9><span lang=EN-CA>Objectives</span></p>
   </td>
</tr>

Answer 1

没有进一步的信息或示例HTML标记，我只能建议使用后代轴//来获取所有后代节点，无论它们嵌套在<table>节点内有多深：

//table[.//* = 'measurement']

更新：

看完示例HTML之后，我认为使用更具体的xpath可能会有更有效的方法，例如：

//table[tr/td//* = 'measurement']

但是特定的xpath也会带来更多风险，使您不得不保留一些本应被选择的表。根据整个文档结构以及所需的效率来决定。