从XML的cdata文本中提取img src

Question

我想从XML文件中提取img src值。

测试输入：

<ROOT>
   <ITEM>
      <DESCRIPTION><![CDATA[<p align="left" dir="ltr">
    <span lang="EN">lorem ipsum</span></p>
<p>
    some text</p>
<p>
    <img alt="" src="https://example.com/hello.jpg" /></p>
]]></DESCRIPTION>
    </ITEM>
</ROOT>         

什么是最好的方法？使用XSLT或XML解析器，例如xmllint吗？

当前我正在尝试使用xmllint：

xmllint --xpath '//ROOT/ITEM/DESCRIPTION/text()' input.xml | egrep -o 'src=".*(\.png|\.jpg)'

...但输出类似于：

src="https://example.com/hello.jpg

确定可以使用sed之类的工具删除src="，但也许有更好，更清洁的解决方案来提取链接？

Answer 1

如果您的CDATA节不在CDATA节中，则如果它是格式正确的XML，则可以将xmllint的输出传递给xmllint，以便将CDATA解析为XML。

在您的特定示例中，您必须将输出包装在另一个元素中（例如，x）以使其格式正确。

示例...

xmllint --xpath 'concat("<x>",string(//ROOT/ITEM/DESCRIPTION),"</x>")' input.xml | xmllint --xpath 'string(//img/@src)' -

输出...

https://example.com/hello.jpg

Answer 2

您需要深入研究parse-xml-fragment中的XPath 3或XSLT 3：

<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema"
    exclude-result-prefixes="#all"
    version="3.0">    

  <xsl:output method="text" indent="yes" html-version="5"/>

  <xsl:template match="/">
     <xsl:value-of select="ROOT/ITEM/DESCRIPTION/parse-xml-fragment(.)//img/@src"/>
  </xsl:template>

</xsl:stylesheet>

https://xsltfiddle.liberty-development.net/3NSSEv7

Saxon 9.9 HE在.NET，Java和C / C ++ / Python版本中可以运行/使用XSLT 3。

如果CDATA包含格式不正确的X（HT）ML的HTML，则可以使用由David Carlisle在XSLT 2（https://github.com/davidcarlisle/web-xslt/blob/master/htmlparse/htmlparse.xsl）中实现的HTML解析器：

<xsl:stylesheet xmlns:xsl="http://www.w3.org/1999/XSL/Transform"
    xmlns:xs="http://www.w3.org/2001/XMLSchema"
    xmlns:html-parser="data:,dpc"
    exclude-result-prefixes="#all"
    version="3.0">

  <xsl:import href="https://github.com/davidcarlisle/web-xslt/raw/master/htmlparse/htmlparse.xsl"/>

  <xsl:output method="text"/>

  <xsl:template match="/">
     <xsl:value-of select="ROOT/ITEM/DESCRIPTION/html-parser:htmlparse(., '', true())//img/@src"/>
  </xsl:template>

</xsl:stylesheet>

https://xsltfiddle.liberty-development.net/3NSSEv7/1