如何使用 XPath 选择非空段落？

Question

我要抓取的网页具有相似的结构。每个都有一个作为问题的段落和一个作为答案的段落。我想抓取每个问题和答案并将它们存储在两个项目中

问题是，在某些页面上，问题和答案分别是//xxx/p[1]和//xxx/p[2]，但在其他页面上，//xxx/p[1]是一个没有任何文字的空段落，用作额外的空格。对于这些页面，//xxx/p[1] 不会给我我想要的。

那么有没有一个XPath表达式可以选择一个节点下的非空段落呢？

Answer 1

如果根本没有文字，你可以使用

//p[.//text()]

选择带有文本的段落。如果“空”段落包含空格（例如换行符），则必须先规范化空格：

//p[normalize-space(.//text())]

可以简写为

//p[normalize-space()]

Answer 2

如果你定义 non-empty 来表示段落有任何类型的内容，那么下面的 XPath 将是你想要的：

//xxx/p[node()]

这将不选择<p/>和<p></p>，但会选择以下各项：

1. <p>Text</p>
2. <p><b>Text</b></p>
3. <p><br/></p>
4. <p><!-- comment --></p>

如果您真的只关心文本内容，以下 XPath 将排除 <p/> 和 <p></p> 以及上面的案例 #3 和 #4：

//xxx/p[string(.)]

换句话说，它只会选择案例#1和#2，即段落的字符串值不为空的情况。