Question

我想从HTML页面中提取包含文本的元素，而忽略标记。例如，我要提取包含文本“ Run，Sarah，run！”的节点。来自https://en.wiktionary.org/wiki/run。我知道节点测试text()和函数string()。我都尝试过：

如您所见，如果我使用string()，它将返回太多节点（结果包括包含所需节点的节点）；如果我使用text()，则将不返回任何内容（由于{{ 1}}标签。

如何找到所需的节点？

UPD：：我想要所有最深的节点。这意味着，如果“维基百科”页面两次包含此句子，我想选择两个节点。

我也不知道节点类型。

Answer 1

//*[contains(string(.), "Run, Sarah, run!")]返回包含该字符串的 all 个元素（从html节点到最后一个后代节点）。

//*[contains(text(), "Run, Sarah, run!")]不返回任何内容，因为"Run, Sarah, run!"是来自多个文本节点的复合文本，而不是来自单个文本节点的复合文本

您可以在下面使用斜体节点与所需文本进行匹配：

'//i[normalize-space()="Run, Sarah, run!"]'

如果您不想指定节点名称，可以尝试

'//*[normalize-space()="Run, Sarah, run!" and not(./*[normalize-space()="Run, Sarah, run!"])]'