题

哪种工具（最好是Linux）可以根据CSS路径选择HTML元素的内容？

例

例如，考虑以下HTML文档：

<html>
<body>
  <div class="header">
  <h1>Header</h1>
  </div>
  <div class="content">
    <table>
      <tbody>
      <tr><td class="data">Tabular Content 1</td></tr>
      <tr><td class="data">Tabular Content 2</td></tr>
      </tbody>
    </table>
  </div>
  <div class="footer">
  <p>Footer</p>
  </div>
</body>
</html>

哪些命令行程序（例如，一种“ cssgrep”）可以使用CSS选择器提取值？那是：

cssgrep page.html "body > div.content > table > tbody > tr > td.data"

该程序会将以下内容写入标准输出：

Tabular Content 1
Tabular Content 2

相关链接

谢谢！

— 戴夫·贾维斯（Dave Jarvis）
source

12

使用W3C工具通过CSS选择器进行HTML / XML解析和内容提取。例如：

hxnormalize -l 240 -x filename.html | hxselect -s '\n' -c "td.data"

将产生所需的输出：

Tabular Content 1
Tabular Content 2

使用240个字符的行长可确保内容较长的元素不会被拆分成多行。该hxnormalize -x命令创建格式正确的XML文档，供hxselect。

— 戴夫·贾维斯（Dave Jarvis）
source

2

对于macOS用户，brew install html-xml-utils。

— anishpatel '18

7

CSS解决方案

Element Finder命令将部分完成此任务：

例如：

elfinder -j -s td.data -x "html"

这将结果呈现为JSON格式，可以将其提取。

XML解决方案

该XML ::特威格模块（” sudo apt-get install xml-twig-tools“），带有一个名为工具xml_grep，它能够仅仅做到这一点，前提是你的HTML是良好的，当然。

抱歉，我目前无法对此进行测试，但是这样的方法应该可以工作：

xml_grep -t '*/div[@class="content"]/table/tbody/tr/td[@class="data"]' file.html

— 清零
source

2

https://github.com/ericchiang/pup具有基于CSS的查询语言，与您的示例非常一致。实际上，使用您的输入，以下命令：

pup "body > div.content > table > tbody > tr > td.data text{}"

产生：

Tabular Content 1
Tabular Content 2

尾部text{}将删除HTML标记。

一个不错的功能是不需要给出完整的路径，因此在您的示例中也可以这样：

$ pup 'td.data text{}' < input.html
Tabular Content 1
Tabular Content 2

其优点之一pup是它使用golang.org/x/net/html包来解析HTML5。

— 峰
source

0

Node可以使用JQuery和伪造的DOM做到这一点。

我为此做了一个Docker镜像（https://hub.docker.com/r/phil294/jquery-jsdom/）：

docker run --rm -i phil294/jquery-jsdom '$("body > div.content > table > tbody > tr > td.data").text()' < page.html

第二个参数是JavaScript代码，因此您可以做任何您想做的事情。

— 菲尔294
source

命令行CSS选择器工具

题

例

相关链接

CSS解决方案

XML解决方案