基于XPath的XML数据提取的C#实现.docVIP

基于XPath的XML数据提取的C#实现 　　摘要：简要介绍了XPath技术，分析了使用XPath路径表示式选择XML文档节点的方式，分析了.NET对XML文档的访问支持，探讨了在.NET环境下，基于XPath技术使用C#语言实现XML文档数据提取的解决方案，为Web信息抽取软件的开发打下基础。 　　关键词：XPath；XML；数据提取；C# 　　中图分类号：TP311文献标识码：A文章编号：1009-3044(2011)09-2073-03 　　The Realization of C# for XML Data Extraction Based on Xpath 　　TAN Feng1, CUI Liang-liang2 　　(1.Faculty of Electromechanical Engineering, Huzhou Vocational and Technological College, Huzhou 313000, China; 2.Zhejiang Jiuli Group Co., Ltd., Huzhou 313012, China) 　　Abstract: This paper introduces XPath technology briefly, analyses the way of choosing XML document nodes by using X Path path expression as well as the access support for XML documents by .NET. For laying a solid foundation for development of Web information extracction software, the paper also discusses the solution of using C# for XML data extraction based on Xpath in .NET. 　　Key words: XPath; XML; data extraction; C# 　　在实现Web信息抽取时，需要先下载获取网页的HTML（HyperText Markup Language，即超文本标记语言）文档，然后根据抽取规则实施信息抽取操作。通常在信息抽取前，为了便于操作实施，需要将HTML文档转换为XML（eXtensible Markup Language，意为可扩展标记语言）文档。这样，Web信息抽取实质上就转变成针对XML文档数据的抽取操作，对此，本文重点讨论了基于XPath技术使用C#语言实现XML文档数据提取的解决方案。 　　1 XPath技术 　　1.1 XPath简介 　　XPath是可扩展路径语言XML Path Language的简称，它是一个W3C标准，主要用于标识XML文档的各个部分[1]。XPath是一门在XML文档中查找信息的语言，它用于在XML文档中通过元素和属性进行导航[2]。XPath将一个XML文档看作一棵树，我们称之为“节点树”。XML文档中的元素、属性、文本、注释等分别称为元素节点、属性节点、文本节点、注释节点节点。在XPath的XML节点树中，包含的节点都是按照一定的顺序排列的，这就是文档顺序，是按照节点在XML文档中出现的顺序排列的，即遵循从上到下、从左到右的原则对这些节点进行定位，返回相应的值。 　　XPath是W3C推荐的在XML文档中定位的技术，运用XPath可以定位XML文档中一个以上的节点，很多W3C规范都用到了XPath。XPath类似于操作系统中的文件管理路径，通过文件管理路径，可以按照一定的规则查找到所需要的文件。因此，每一个与XML有关开发人员都应该熟悉和掌握XPath技术。 　　1.2 XPath路径表达式 　　如果要从XML文档中抽取出所需要的数据，则首先要能够找到XML文档的各个组成部分（如元素、属性、文本等）。XPath就是为此目的而制定的一种语言规范，它可以使用简明的、基于字符串的语法对XML文档的各个组成部分进行定位，这种语法就是路径表达式，它是XPath中最基本也是最重要的表达式。通过位置路径表达式，我们可以精确的查找到XML元素节点的位置，然后，就可以访问该结点的数据了。 　　表1列出了XPath中部分预定义的运算符和通配符。 　　表2列出了路径表达式的一些示例及说明。 　　1.3 XPath谓词 　　谓词用来查找某个特定的节点或者包含某个指定的值的节点。它是一个XPath表达式，用于针对某个轴筛选节点集，并生成一个新的节点集。谓词可以更深入地提炼所选的节点集。在使用路径表达式确定节点后，可以