使用xpath从html中提取嵌套文本

Question

我正在尝试从一个看起来像这样的 html 页面中提取文本内容：

<div class="content">
    <div class="section">
      Lorem <a href="..." class="link">ipsum</a> 
      dolor <a href="..." class="link">sit</a> amet, 
      consectetur <a href="..." class="link">adipiscing</a> elit
    </div>

    <div class="section">
      sed do <a href="..." class="link">eiusmod</a> tempor 
      incididunt <a href="..." class="link">ut</a> labore 
      et <a href="..." class="link">dolore</a>
    </div>
</div>

我只想提取文本部分：

Lorem ipsum dolor amet, consectetur adipiscing elit, sed do eiusmod tempor incididunt ut labore et dolore

我的 XPath (2.0) 表达式是 //*[contains(@class, 'section')]。当我使用javax.xml.xpath.XPathExpression 评估它时，我只检索链接之外的文本：

Lorem dolor amet, consectetur elit, sed do tempor incididunt labore et

我以前没有使用过 XPath - 是否有更好的表达式来提取全文？谢谢。

Answer 1

您的表达式返回一个完整的 XML 元素。然后，您的处理器通过将 XML 元素转换为文本将其作为字符串返回，因此与您执行的基本相同

//*[contains(@class, 'section')]/text()

相比之下，您也可以使用string() 函数获取子项中的所有文本元素：

//*[contains(@class, 'section')]/string()

正如 Mathias Müller 在 cmets 中指出的那样，另一种方法是使用

//*[contains(@class, 'section')]//text()

返回所有后代或自身文本元素。