如何通过XPath定位指定标题元素的最近表格

需求说明 #

• 目标：抓取所有标题包含合并投资明细表（英文原称：Consolidated Schedule of Investments）的表格
• 核心难点：不同页面中，目标表格与标题的相对位置差异极大——表格可能是标题的兄弟元素、祖先容器，或是标题的后代元素

已实现的标题定位XPath #

已可精准定位目标标题的XPath代码：

//span[contains(translate(., 'abcdefghijklmnopqrstuvwxyz', 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 'CONSOLIDATED SCHEDULE OF INVESTMENTS')]

定位最近表格的XPath方案 #

通用兼容方案（XPath 1.0支持） #

以下XPath会覆盖所有可能的位置关系，优先匹配距离标题最近的表格：

//span[contains(translate(., 'abcdefghijklmnopqrstuvwxyz', 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 'CONSOLIDATED SCHEDULE OF INVESTMENTS')]/following::table[1]
| //span[contains(translate(., 'abcdefghijklmnopqrstuvwxyz', 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 'CONSOLIDATED SCHEDULE OF INVESTMENTS')]/ancestor::table[1]
| //span[contains(translate(., 'abcdefghijklmnopqrstuvwxyz', 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 'CONSOLIDATED SCHEDULE OF INVESTMENTS')]/preceding::table[1]

执行逻辑：

1. 先查找标题之后的第一个表格（最常见的情况）
2. 若未找到，查找包含标题的最近祖先表格（标题在表格内部的情况）
3. 最后查找标题之前的第一个表格（标题在表格之后的特殊情况）

精准距离匹配方案（XPath 2.0+支持） #

如果使用支持XPath 2.0及以上的解析工具，可通过计算层级距离直接定位最近的表格：

//table[
    let $title := //span[contains(translate(., 'abcdefghijklmnopqrstuvwxyz', 'ABCDEFGHIJKLMNOPQRSTUVWXYZ'), 'CONSOLIDATED SCHEDULE OF INVESTMENTS')]
    return min(
        count($title/ancestor::table[. = current()]/ancestor::*) + 1,
        count(current()/ancestor::table[. = $title/ancestor::table[1]]/ancestor::*) + 1,
        count($title/following::table[. = current()]/preceding::*) + 1,
        count(current()/preceding::table[. = $title/preceding::table[1]]/following::*) + 1
    ) = 1
]

分页面适配方案 #

若通用方案仍有遗漏，可针对不同页面结构补充分支：

• 当标题是表格的子元素：//span[...]/ancestor::table[1]
• 当标题是表格的前序兄弟：//span[...]/following-sibling::table[1]
• 当标题与表格同属一个父容器：//span[...]/parent::*/following-sibling::table[1]

内容的提问来源于stack exchange，提问作者Mohamed Grich