使用 Xpath 提取 html 标记的全部内容

Question

我有一组 html 页面（对此我没有任何控制权），需要将 li 标记的完整内容提取为单个文本块，包括空格和除 li 标记对之外的所有标记。我正在使用 HTML Xpath 解析器 1.0（对此没有选择。）

输入的html看起来像

<ul class="gs-source-list">
<li id="s1" class="gs-source-item">
[S1] First text here
<br/>
<br/>
Label:
<br/>
<br/>
<span style="display:inline-block; margin-left:35px;">
More text
<br/>
More text
<br/>
</span>
<br/>
<br/>
Note: 
<br/>
<br/>
<span style="display:inline-block; margin-left:35px;">GRO reference is Note text</span>
</li>
</ul>

   

.//*[@class='gs-source-item'] 得到我想要的文本，但带有开始和结束 li 标签。

.//*[@class='gs-source-item']//text() 将文本作为单独的元素（而不是作为单个元素）而不是内部标签。

string(.//*[@class='gs-source-item']//text()) 只获取第一行文本。

string-join(.//*[@class='gs-source-item']//text(),"") 对于我正在使用的解析器来说似乎不是可接受的语法，无论如何我认为它仍然会去除内部标签。

.//*[@class='gs-source-item']//node() 获取所有文本和标签，但不是单个块。

我已经没有想法可以尝试了...我查看了相关问题，但没有找到任何帮助（除了我上面列出的想法）。

Answer 1

没有将 HTML 标记作为文本返回的 XPath 函数。您没有提及您是否通过编程语言进行访问，但我会使用代码来执行此操作。

读入 HTML 源代码并手动解析。