lxml XPath - 如何从节点获取连接文本

Question

我有一个类似

的节点

<a class="someclass">
Wie
<em>Messi</em>
einen kleinen Jungen stehen lässt
</a>

如何构建XPath以获取["Wie Messi einen kleinen Jungen stehen lässt"]而不是["Wie","Messi","einen kleinen Jungen stehen lässt"]？

我在XPath中使用python lxml.html函数。

尝试过组合

1. //a/node()/text()
2. //a/descendant::*/text()
3. //a/text()

但它没有帮助。任何解决方案？

我正在考虑另一种方法，我以某种方式得到<a>元素的“内部html”（在上面的例子中将是"Wie <em>Messi</em> einen kleinen Jungen stehen lässt"）并从中移除<em>标签HTML。

还在试图弄清楚如何从XPath获取innerhtml（Javascript，任何人？）。

Answer 1

XPath是一种选择语言，因此它可以做的是选择节点。如果输入中有单独的节点，那么您将获得单独节点的列表作为选择结果。

你需要你的宿主语言的帮助 - 在这种情况下是Python - 来做超出这个范围的事情（比如，将文本节点合并成单个字符串）。

您需要查找所有<a>元素并加入其各自的文本后代。这很容易做到：

from lxml import etree

doc = etree.parse("path/to/file")

for a in doc.xpath("//a"):
    print " ".join([t.strip() for t in a.itertext()])

打印

Wie Messi einen kleinen Jungen stehen lässt

---

正如保罗在下面的评论中正确指出的那样，你可以使用XPath的normalize-space()，整个事情变得更加简单。

for a in doc.xpath("//a"):
    print a.xpath("normalize-space()")

Answer 2

如果您获得<a>节点的字符串值而不是使用text()，您将获得所有子节点的字符串值的串联，而不是单个节点的串联值文本节点。

尝试使用

//a

以宿主语言将节点作为字符串读取。在Python中，您可以使用@Tomalak提到的DOM函数来获取字符串值。在 lxml 中，您可以使用.text_content()：

tree.XPath("//a)").text_content()

在XPath中，您可以使用类型功能：

string(//a)