为什么我的XPath查询（抓取HTML表）只能在Firebug中工作，而不是我正在开发的应用程序？
这是为了给所有类似的问题提供一个规范的问答（但是有太多具体的问题可能成为一个关闭的目标候选人），每周一次或两次出现。
我正在开发一个应用程序，需要解析一个网站的表格。 由于派生网页的XPath表达式是无聊和容易出错的工作，我想使用Firebug的XPath提取器功能 （或其他浏览器中的类似工具）。
示例输入如下所示：
<!-- snip --> <table id="example"> <tr> <th>Example Cell</th> <th>Another one</th> </tr> <tr> <td>foobar</td> <td>42</td> </tr> </table> <!-- snip --> 我想提取第一个数据单元格（“foobar”）。 Firebug提出了XPath表达式
//table[@id="example"]/tbody/tr[2]/td[1]
在任何XPath测试器插件中工作正常，但不是我自己的应用程序（未找到结果） 。 如果我减少查询//table[@id] ，它再次工作。
怎么了？
问题：DOM需要<tbody/>标签
Chrome的开发工具Firebug，JavaScript中的XPath函数和其他工作在DOM上 ，而不是基本的HTML源代码 。
HTML的DOM要求所有不包含在页脚表头（ <thead/> ， <tfoot/> ）中的表格行包含在表格主体标签<tbody/> 。 因此，如果浏览器在解析（X）HTML时缺少该标记，则会添加此标记。 例如， 微软的DOM文档说
即使表没有显式定义一个
tbody元素，tbody元素也暴露给所有的表。
有关于stackoverflow的另一个答案有一个深入的解释 。
另一方面， HTML不一定需要使用该标签 ：
TBODY开始标记始终是必需的，除非表只包含一个表体和没有表头或脚部分。
大多数XPath处理器使用原始XML
不包括JavaScript，大多数XPath处理器都使用原始XML，而不是DOM，因此不会添加<tbody/>标记。 此外，HTML解析器库（如标签汤和htmltidy）仅输出XHTML，而不是“DOM-HTML”。
这是一个在PHP，Ruby，Python，Java，C＃，Google Docs（Spreadsheets）等等的Stackoverflow上发布的常见问题。 Selenium在浏览器中运行，并在DOM上工作 – 所以它不受影响！
重现问题
比较Firebug（或Chrome的开发工具）显示的源代码，通过右键单击并选择“显示页面源代码”（或任何在浏览器中调用的代码） – 或者使用curl http://your.example.org在命令行上。 后者可能不会包含任何<tbody/>元素（他们很少使用），Firebug将永远显示它们。
解决方案1：删除/tbody轴步骤
检查你被卡住的表是否真的不包含一个<tbody/>元素（见最后一段）。 如果是这样，你可能会遇到另外一个问题。
现在删除/tbody轴的步骤，所以你的查询将看起来像
//table[@id="example"]/tr[2]/td[1]
解决方案2：跳过<tbody/>标记
这是一个相当脏的解决方案，可能会失败的嵌套表（可以跳转到内部表）。 我只会在非常罕见的情况下推荐这个。
用后代或自己的步骤替换/tbody轴步骤：
//table[@id="example"]//tr[2]/td[1]
解决方案3：允许两个输入有和没有<tbody/>标记
如果您不能确定您的表或在“HTML源”和DOM上下文中使用查询， 并且不希望/不能使用解决方案2中的破解，提供替代查询（对于XPath 1.0）或使用“可选”轴步骤（XPath 2.0和更高版本）。
- XPath 1.0 ：
//table[@id="example"]/tr[2]/td[1] | //table[@id="example"]/tbody/tr[2]/td[1] - XPath 2.0 ：
//table[@id="example"]/(tbody, .)/tr[2]/td[1]
刚刚遇到同样的问题。 我几乎写了一个递归函数来检查每个tbody标记是否存在并遍历dom，然后我记得我知道正则表达式。 🙂
解析之前，获取一个字符串的HTML。 用正则表达式插入缺少的<tbody>和</tbody>标记，然后将其加载回到DOMDocument对象中。
简斯·埃拉特给出了一个很好的解释，但这里是
解决方案4：确保HTML源代码总是有正则表达式的<tbody>标签
JavaScript var html = '<html><table><tr><td>foo</td><td>bar</td></tr></table></html>'; html.replace(/(<table([^>]+)?>([^<>]+)?)(?!<tbody([^>]+)?>)/g,"$1<tbody>").replace(/(<(?!(\/tbody))([^>]+)?>)(<\/table([^>]+)?>)/g,"$1</tbody>$4"); PHP $html = $dom->saveHTML(); $html = preg_replace(array('/(<table([^>]+)?>([^<>]+)?)(?!<tbody([^>]+)?>)/','/(<(?!(\/tbody))([^>]+)?>)(<\/table([^>]+)?>)/'),array('$1<tbody>','$1</tbody>$4'),$html); $dom->loadHTML($html);
只是正则表达式：
matches `<table>` tag with whatever else junk inside the tag and between this and the next tag if the next tag is NOT `<tbody>` also with stuff inside the tag /(<table([^>]+)?>([^<>]+)?)(?!<tbody([^>]+)?>)/ replace with $1<tbody> the $1 referencing the captured `<table>` tag with contents. Do the same for the closing tag like this: /(<(?!(\/tbody))([^>]+)?>)(<\/table([^>]+)?>)/ replace with $1</tbody>$4
这样，dom将始终在必要时使用<tbody>标签。
