如何使用 xpath 从父 html 中检索嵌套和非嵌套子级？答案

【问题标题】：How can i retrieve both nested and nonnested children from parent html using xpath?如何使用 xpath 从父 html 中检索嵌套和非嵌套子级？
【发布时间】：2017-05-18 13:37:48
【问题描述】：

我正在使用 python 创建一个网络爬虫。正在解析的 html 似乎有一些直接在父标记中的字符串，如下所示：

<div class="chapter-content3">
<noscript>...stuff here filtered successfully</noscript>
<center>...stuff here filtered successfully</center>
<h4>..stuff here shows</h4>
<p>...stuff here shows</h4>
<br>
"this stuff here doesnt show"
<br>
"this neither"
 <p>..stuff here shows</p>
 </div>

我的 xpath 是这样的：

//div[@class="chapter-content3"]/*[not(self::noscript) and not(self::center) and not(@class="row")]

这会调出所有内容，但不会直接在里面显示字符串

我应该如何构造 xpath 以直接在父级中显示包括字符串在内的所有内容

【问题讨论】：

你想拥有所有的 xpath 吗？
@Edwin 至于结果 html 与输入 html 的顺序相同。任何解决方案都可以

标签： python html xml xpath

【解决方案1】：

几乎正确。这里：

//div[@class="chapter-content3"]/*[
   not(self::noscript) and not(self::center) and not(@class="row")
]

* 只选择实际元素。您要选择所有节点，即

//div[@class="chapter-content3"]//node()[
   not(self::noscript) and not(self::center) and not(@class="row")
]

或者，短一点

//div[@class="chapter-content3"]//node()[
   not(self::noscript or self::center or @class="row")
]

或者，一种不同的思考方式 - 除了祖先错误的所有文本节点：

//div[@class="chapter-content3"]//text()[
   not(ancestor::noscript or ancestor::center or ancestor::*/@class="row")
]

【讨论】：