目標：從特定元素(例如li)中提取文本，而忽略各種混合在標簽中的內容，即展平第一級子級，并簡單地分別返回每個展平型子級的串聯文本。

例：

CIA

Central Intelligence Agency.

Culinary Institute of America.

所需文字：

Central Intelligence Agency

Culinary Institute of America

除了周圍的定位標記阻止簡單的檢索。

為了分別返回每個li標簽，我們使用簡單的方法：

//div[contains(@id,"mw-content-text")]/ol/li

但這還包括周圍的錨標簽等。

//div[contains(@id,"mw-content-text")]/ol/li/text()

僅返回屬于li的直接子元素的文本元素，即’Central’，’.’…

然后尋找自我和后代的文本元素似乎合乎邏輯

//div[contains(@id,"mw-content-text")]/ol/li[descendant-or-self::text]

但這根本沒有任何回報！

有什么建議？我正在使用Python，因此可以使用其他模塊進行后期處理。

(我正在使用似乎符合XPath 1.0的Scrapy HtmlXPathSelector)

總結

以上是生活随笔為你收集整理的html的混合标记,HTML XPath：提取与多个标签混合的文本？的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。