XPath選擇鏈接但不是圖片

我正在使用WebCrawler。這個網絡抓取工具根據給定的搜索詞獲得谷歌搜索的所有鏈接。XPath選擇鏈接但不是圖片

我的WebCrawler成功列出了所有鏈接。 這是問題：我不希望WebCrawler列出Google圖像的鏈接。

我選擇使用XPath的節點。這裏是我的鏈接選擇的XPath：

//a[@href]

- 這個完美的作品。

這裏是我的鏈接，而不是圖像的選擇：

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

- 這是行不通的。

Google使用<g-img...>...</g-img>來標記圖像。

我得到以下XPath Exception錯誤：

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.

這裏是一個按鈕，點擊我的C＃代碼：

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。這種情況非常有用。我試圖解決這個問題已經有一段時間了，我無法在stackoverflow或google上找到任何幫助。

來源

2016-08-23 envy6

看起來你在xpath中有一個額外的]。

此：

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

應該是：

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

雖然，現在是語法正確的，我不認爲它會選擇你想要什麼。它將選擇具有href屬性的所有a元素的聯合以及未命名爲g-img的所有元素。

試試這個：

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

來源

2016-08-23 10:20:00

XPath選擇鏈接但不是圖片

回答

相關問題