使用XPath提取标签之间的文本和标记

Question

  /span[@class="st"]/text()

我有以下这段XML：

...<span class="st">In Tim <em>Power</em>: Politieman...</span>...

我想提取标签之间的内容。为此，我使用XPath：

   /span[@class="st"]

不过，这样做会提取所有内容，包括标签本身。

这段代码会返回两个文本元素。一个是“In Tim”，另一个是“:Politieman”。而..部分不会被包含在内，它被当作分隔符处理。

有没有纯粹的XPath解决方案，可以返回：

In Tim <em>Power</em>: Politieman...

编辑
感谢@helderdarocha和@TextGeek。看来仅用XPath提取纯文本，包括部分并不简单。

使用/span[@class="st"]/node()的解决方案会创建一个包含各个行的列表，然后在Python中很容易将其转换为字符串。

Answer 1

听起来你想要一个类似于Javascript中innerHTML()函数的功能，但这是针对XML的。我觉得在纯XPath中没有办法做到这一点。

XPath其实并不直接处理像"<em>"和"</em>"这样的标记字符串，它是通过一棵节点对象的树来工作的（可能有某些XPath的实现尝试直接处理标记，但我对此表示怀疑）。大多数XPath的实现中根本不会有这四个字符"<em>"（除了可能用于打印错误信息之类的情况），而且当然，DOM可能是从头开始构建的，而不是从XML或其他输入生成的。同样，XPath也并不打算返回带有标记的字符串，而是返回节点的列表。

在XSLT或XQuery中，你可以很容易地做到这一点，但单靠XPath是做不到的，除非我遗漏了什么。

-s

Answer 2

要获取任何子节点，你可以使用：

/span[@class="st"]/node()

这段代码会返回：

1. 两个子文本节点
2. 完整的<em>节点（包括元素和内容）。

如果你想要获取所有的text()节点，包括在em里面的那些文本节点，那么可以获取所有的text()后代节点：

/span[@class="st"]//text()

或者

/span[@class="st"]/descendant::text()

这样会返回三个文本节点，包括<em>里面的文本，但不会返回<em>元素本身。