XPath选择链接但不是图片

我正在使用WebCrawler。这个网络抓取工具根据给定的搜索词获得谷歌搜索的所有链接。XPath选择链接但不是图片

我的WebCrawler成功列出了所有链接。 这是问题：我不希望WebCrawler列出Google图像的链接。

我选择使用XPath的节点。这里是我的链接选择的XPath：

//a[@href]

- 这个完美的作品。

这里是我的链接，而不是图像的选择：

/a[@href] | //*[not(self::g-img)]]

- 这是行不通的。

Google使用<g-img...>...</g-img>来标记图像。

我得到以下XPath Exception错误：

An unhandled exception of type 'System.Xml.XPath.XPathException' occurred in System.Xml.dll 

Additional information: '//a[@href] | //*[not(self::g-img)]]' is an invalid Token.

这里是一个按钮，点击我的C＃代码：

private void urlButton_Click(object sender, EventArgs e) 
     { 
      itemsListBox.Items.Clear(); 

      StringBuilder sb = new StringBuilder(); 

      byte[] resultsBuffer = new byte[8192]; 

      string searchResults = "http://google.com/search?q=" + keyWordTextBox.Text.Trim() + "&num=" + numTextBox.Text; 

      HttpWebRequest webRequest = (HttpWebRequest)WebRequest.Create(searchResults); 
      HttpWebResponse webResponse = (HttpWebResponse)webRequest.GetResponse(); 

      Stream rStream = webResponse.GetResponseStream(); 

      string tempString = null; 
      int count = 0; 

      do 
      { 
       count = rStream.Read(resultsBuffer, 0, resultsBuffer.Length); 
       if (count != 0) 
       { 
        tempString = Encoding.ASCII.GetString(resultsBuffer, 0, count); 
        sb.Append(tempString); 
       } 
      } 

      while (count > 0); 
      string sbString = sb.ToString(); 

      HtmlAgilityPack.HtmlDocument html = new HtmlAgilityPack.HtmlDocument(); 
      html.OptionOutputAsXml = true; 
      html.LoadHtml(sbString); 

      HtmlNode doc = html.DocumentNode; 

      string nodeSelection = "//a[@href] | //*[not(self::g-img)]]"; 

      // TODO insert correct xpath 
      foreach (HtmlNode link in doc.SelectNodes(nodeSelection)) 
      { 
       string hrefValue = link.GetAttributeValue("href", string.Empty); 

       if (!hrefValue.ToString().ToUpper().Contains("GOOGLE") && hrefValue.ToString().Contains("/url?q=") && (hrefValue.ToString().ToUpper().Contains("HTTP://") || hrefValue.ToString().ToUpper().Contains("HTTPS://"))) 
       { 
        int index = hrefValue.IndexOf("&"); 

        if (index > 0) 
        { 
         hrefValue = hrefValue.Substring(0, index); 
         itemsListBox.Items.Add(hrefValue.Replace("/url?q=", "")); 
        } 
       } 
      } 
     }

我用的是HtmlAgilityPack。这种情况非常有用。我试图解决这个问题已经有一段时间了，我无法在stackoverflow或google上找到任何帮助。

来源

2016-08-23 envy6

看起来你在xpath中有一个额外的]。

此：

//a[@href] | //*[not(self::g-img)]]

应该是：

//a[@href] | //*[not(self::g-img)]

虽然，现在是语法正确的，我不认为它会选择你想要什么。它将选择具有href属性的所有a元素的联合以及未命名为g-img的所有元素。

试试这个：

//*[@href and not(self::g-img)]

来源

2016-08-23 10:20:00

XPath选择链接但不是图片

回答

相关问题