使用 XPath 获取 HTML 元素的文本内容？

Question

查看这个 html

<div>
    <p>
    <span class="abc">Monitor</span> <b>$300</b>
    </p>
    <a href="/add">Add to cart</a>
</div>
<div>
    <p>
    <span class="abc">Keyboard</span> $20 
    </p>
    <a href="/add">Add to cart</a>
</div>

使用 xpath 我想解析 Monitor $300 和 Keyboard $20。我使用这个 xpath

 //div[a[contains(., "Add to cart")]]/p/text()

但它选择了<span class="abc">Monitor</span> <b>$300</b>。我不想要标签。如何只获取文本？

Answer 1

您想选择所有后代文本，而不仅仅是子文本：

//div[a[contains(., "Add to cart")]]/p//text()

注意p 和text() 之间的双斜线。

这可能还会包含很多标签间空白，但您需要清理它们。使用lxml 的示例：

>>> import lxml.etree as ET
>>> tree = ET.fromstring('''<div>
... <div>
...     <p>
...     <span class="abc">Monitor</span> <b>$300</b>
...     </p>
...     <a href="/add">Add to cart</a>
... </div>
... <div>
...     <p>
...     <span class="abc">Keyboard</span> $20 
...     </p>
...     <a href="/add">Add to cart</a>
... </div>
... </div>''')
>>> tree.xpath('//div[a[contains(., "Add to cart")]]/p//text()')
['\n    ', 'Monitor', ' ', '$300', '\n    ', '\n    ', 'Keyboard', ' $20 \n    ']
>>> res = _
>>> [txt for txt in (txt.strip() for txt in res) if txt]
['Monitor', '$300', 'Keyboard', '$20']