GREL中提取带有特定属性的HTML标签的实现方法咨询
GREL规则下精准提取带指定属性目标标签的实现方法
目前用GREL做标签提取时,最常用的操作是直接匹配标签名称,这类方法可以快速拿到所有同名标签的内容,但无法区分同标签下不同属性的实例——比如会把无xml:lang属性的标签、xml:lang="en-US"属性的标签、xml:lang="fr-FR"属性的标签全部混杂在提取结果里,根本没法定向拿到带特定属性的目标内容。
核心实现逻辑
GREL支持通过内置CSS选择器的属性筛选能力,在标签匹配阶段就完成属性条件过滤,不需要在提取完所有标签内容后再做二次判断。需要注意的是,XML格式的标签自带命名空间前缀(比如skos:、xml:),这类带冒号的前缀在CSS选择器中不能直接使用,否则会被解析器识别为伪类,需要将冒号替换为竖线做转义。
具体可运行的规则写法
- 定向提取带
xml:lang="fr-FR"属性的skos:prefLabel标签内容时,完整的GREL规则如下:
这段规则执行时会自动过滤两类不符合条件的标签:一类是不带任何forEach(value.parseHtml().select('skos|prefLabel[xml|lang="fr-FR"]'), v, v.htmlText())xml:lang属性的同名标签,另一类是xml:lang属性值不是fr-FR的同名标签,最终只会提取符合属性要求的标签内部文本,对应示例运行结果为拿到Lina Espitaleta的内容,不会混入其他语言版本或者无属性的标签内容。 - 如果需要批量提取不同语言属性的标签内容,可以将选择器里的属性值替换为可替换的变量,分别传入
en-US、fr-FR等不同参数,就能按需拿到对应语言的标签内容,不需要重复编写整段匹配规则。
常见踩坑提醒
- 不要直接在选择器里写带冒号的原始命名空间写法,比如
skos:prefLabel[xml:lang="fr-FR"],这种写法会因为解析器把冒号后的内容识别成伪类,最终匹配不到任何有效标签。 - 提取标签内部文本时不要直接用
v.toString(),要使用htmlText()方法拿到纯文本内容,避免把嵌套的标签结构也一并混杂到最终结果里。
内容的提问来源于stack exchange,提问作者Gamaliel
相关产品推荐
相关产品推荐

