HTMLCleaner是否支持XPath position()函数与位置谓词？代码问题求助

首先明确：HTMLCleaner完全支持XPath 1.0的position()函数和位置谓词（比如tr[3]这种写法），你的问题并不是语法不支持导致的，而是XPath路径和实际解析后的HTML结构不匹配。

问题根源分析 #

你爬取的目标页面http://jobs.alaska.gov/RR/WARN_notices.htm的原始HTML中，嵌套的表格并没有包含tbody标签——很多现代浏览器会自动给表格补全tbody，但HTMLCleaner会严格按照原始HTML解析，不会自动添加这个标签。你写的XPath里嵌套了多层tbody，这就导致路径无法匹配到实际的DOM节点：

• 你的xpathOne能返回结果，大概率是因为某个层级的tr[1]刚好在没有tbody的路径上意外匹配到了，但xpathTwo的路径因为tbody的存在完全走不通。

修复方案 #

去掉XPath中所有多余的tbody节点，修改后的XPath如下：

String xpathOne = "//table[2]/tr/td/table/tr/td/table/tr[1]/td/div/span/text()";
String xpathTwo = "//table[2]/tr/td/table/tr/td/table/tr[3]/td/div/span/text()";

这样修改后，xpathTwo就能正确匹配到表格的第一行数据了。

额外验证技巧 #

如果之后再遇到类似的XPath匹配问题，可以用HTMLCleaner的prettyPrint()方法打印解析后的DOM结构，直观查看实际的节点层级：

rootTagNode.prettyPrint(System.out);

这样你就能清楚看到哪些标签是实际存在的，避免写出和实际结构不符的XPath。

关于position()函数的使用 #

顺便验证一下position()的用法，你也可以把tr[3]写成tr[position()=3]，效果完全一致，比如：

String xpathTwo = "//table[2]/tr/td/table/tr/td/table/tr[position()=3]/td/div/span/text()";

这个写法同样能正常工作，进一步说明HTMLCleaner对位置相关XPath语法的支持是完整的。

内容的提问来源于stack exchange，提问作者Foobar