如何使用XPath获取相同字段的内容

Question

我是Xpath的初学者，只是无法正确匹配内容。这是我的问题：

如何使用XPath获取日期"2010.09.07"(之后申请日：)和"2009.09.03"？实际上，在g_list层次结构下面有10个相同的项(g_item(，这里我只列出了其中的两个。我试图从Chorm复制Xpath，但它不起作用。

此外，我尝试使用下面的regex，但是，它只匹配第一个。有没有办法返回所有项目的所有日期？

谢谢！

s.find(string=('申请日：')).find_next().text.replace('n', '').strip()

<div class="g_list">

<div class="g_item">
<div class="g_tit">
<ul>
<li class="g_li0">
<input id="CN201010274593.21" name="recordno" type="checkbox" value="CN201010274593.2" pnm="CN102403785B" sysid="B58C6C20BB7D5998B03811E0866F5981" appid="201010274593.2" sectionName="FMSQ" onclick="checkall()"/></li>
<input id="tifPath1" name="tifPath" type="hidden" tifvalue="BOOKS/SD/2014/20140716/201010274593.2,12,CN201010274593.2" xmlvalue="FMSQ,CN201010274593.2,2014.07.16" pdfvalue="Granted_patent_for_invention/2014/20140716/CN102403785B/PDF_PID/CN102010000274593CN00001024037850BPDFZH20140716CN008.PDF,CN201010274593.2" pdfvalue2="CN102403785B,2014.07.16"/>
<li class="g_li" onclick="viewDetail(0)" style="cursor:pointer" name='patti'  title="电源管理装置及其电源管理方法">
1.电源管理装置及其电源管理方法</li>
<li class="g_li1">发明授权 </li>


<li class="g_li2 cor3">无效</li>


<li class="g_li3"><a href="javascript:noAction();" onclick="downloadRecord('B58C6C20BB7D5998B03811E0866F5981','FMSQ');">下载</a></li>
</ul>
<div class="clear"></div>
</div>
<div class="g_cont">
<div class="g_cont_left">
<table cellpadding="0" cellspacing="0" border="0">
<tr>
<td><span>申请号：</span> <a href="javascript:viewDetail(0);">CN201010274593.2</a> </td>
<td><span>申请日：</span> 2010.09.07 </td>
</tr>
<tr>
<td><span>公开(公告)号：</span> CN102403785B </td>
<td><span>公开(公告)日：</span> 2014.07.16 </td>
</tr>
<tr>
<td><span>同日申请：
</td>
<td><span>分案原申请号：
</td>
</tr>
<tr>
<td colspan="2" style="width:610px;word-break:break-all;"><span>申请(专利权)人：</span> 鸿富锦精密工业（深圳）有限公司;鸿海精密工业股份有限公司 </td>
</tr>
<tr>
<td colspan="2"  style="width:610px;word-break:break-all;"><span>分类号：</span> H02J13/00(2006.01) </td>
</tr>
<tr>
<td  colspan="2"  style="width:610px;word-break:break-all;"><span>优先权：</span></td>
</tr>
<tr>

<td colspan="2"><span>摘要：</span><span name="patab" style="font-weight:normal"></span>
<a name="abmtlink"  href="javascript:return false;"  style="color:blue">机器翻译</a></td>

</tr>
</table>
</div>
<div class="g_cont_rig" id="pic1">

<a href="http://pic.cnipr.com/XmlData/SQ20140716201010274593.2/201010274593.gif"><img name="tifpath"  src="http://pic.cnipr.com/XmlData/SQ20140716201010274593.2/201010274593.gif" class="imgstyle"/></a>

</div>
<div class="clear"></div>
</div>
</div>
<div class="g_item">
<div class="g_tit">
<ul>
<li class="g_li0">
<input id="CN200910171675.12" name="recordno" type="checkbox" value="CN200910171675.1" pnm="CN102006581B" sysid="E7025BBD105585DF6CE4193E52ECC322" appid="200910171675.1" sectionName="FMSQ" onclick="checkall()"/></li>
<input id="tifPath2" name="tifPath" type="hidden" tifvalue="BOOKS/SD/2013/20130911/200910171675.1,21,CN200910171675.1" xmlvalue="FMSQ,CN200910171675.1,2013.09.11" pdfvalue="Granted_patent_for_invention/2013/20130911/CN102006581B/PDF_PID/CN102009000171675CN00001020065810BPDFZH20130911CN008.PDF,CN200910171675.1" pdfvalue2="CN102006581B,2013.09.11"/>
<li class="g_li" onclick="viewDetail(1)" style="cursor:pointer" name='patti'  title="IP地址强制续约的方法及装置">
2.IP地址强制续约的方法及装置</li>
<li class="g_li1">发明授权 </li>


<li class="g_li2 cor3">无效</li>


<li class="g_li3"><a href="javascript:noAction();" onclick="downloadRecord('E7025BBD105585DF6CE4193E52ECC322','FMSQ');">下载</a></li>
</ul>
<div class="clear"></div>
</div>
<div class="g_cont">
<div class="g_cont_left">
<table cellpadding="0" cellspacing="0" border="0">
<tr>
<td><span>申请号：</span> <a href="javascript:viewDetail(1);">CN200910171675.1</a> </td>
<td><span>申请日：</span> 2009.09.03 </td>
</tr>
<tr>
<td><span>公开(公告)号：</span> CN102006581B </td>
<td><span>公开(公告)日：</span> 2013.09.11 </td>
</tr>
<tr>
<td><span>同日申请：
</td>
<td><span>分案原申请号：
</td>
</tr>
<tr>
<td colspan="2" style="width:610px;word-break:break-all;"><span>申请(专利权)人：</span> 中兴通讯股份有限公司 </td>
</tr>
<tr>
<td colspan="2"  style="width:610px;word-break:break-all;"><span>分类号：</span> H04W8/08(2009.01);H04W36/14(2009.01);H04W84/12(2009.01);H04L29/12(2006.01) </td>
</tr>
<tr>
<td  colspan="2"  style="width:610px;word-break:break-all;"><span>优先权：</span></td>
</tr>
<tr>

<td colspan="2"><span>摘要：</span><span name="patab" style="font-weight:normal"></span>
<a name="abmtlink"  href="javascript:return false;"  style="color:blue">机器翻译</a></td>

</tr>
</table>
</div>
<div class="g_cont_rig" id="pic2">

<a href="http://pic.cnipr.com/XmlData/SQ/20130911/200910171675.1/200910171675.gif"><img name="tifpath"  src="http://pic.cnipr.com/XmlData/SQ/20130911/200910171675.1/200910171675.gif" class="imgstyle"/></a>

</div>
<div class="clear"></div>
</div>
</div>
</div>
</div>

Answer 1

您的HTML有多个标记验证错误，您可以使用W3验证器检查这些错误。但是，如果修复了以下错误，则可以使用lxml解析字符串。

未闭合的元素span。从第43行第37列开始；至第43行第42列
未闭合元素跨度。从第46行第37列开始；至第46行第42列
未闭合元素跨度。来自第119行第37列；至第119行第42列
未闭合元素跨度。从第122行第37列开始；到第122行第42列
Stray结束标记div。来自第159行第5列；至第159行第10列

from lxml import etree
pageHTML = """
<div class="g_list">
<div class="g_item">
...
...
"""
root = etree.fromstring(pageHTML)
dateList = root.xpath("//*[@class='g_cont_left']/table/tr[1]/td[2]/text()")
print(dateList)
#[' 2010.09.07 ', ' 2009.09.03 ']

如果你仍然想使用正则表达式(考虑到关于在HTML、XML等上应用正则表达式的整个讨论，或者使用特定于该语法的语法分析器，我建议你不要使用正则表达式(，你可以定义一个捕获组，只允许数字和文字.(([d.]+)(，由你期望找到的确切单词包围。

import re
pageHTML = """
<div class="g_list">
<div class="g_item">
...
...
"""
date_Regex = re.findall("申请日：s*</span>s*([d.]+)s*</td>", pageHTML)
print(date_Regex)
# ['2010.09.07', '2009.09.03']