使用libxml++提取HTML内容节点文本返回空输出问题排查

为什么get_content()返回空？ #

libxml++的get_content()方法有个关键限制：它只会提取当前节点的直接子文本节点内容，不会递归遍历所有后代节点。

• 官方示例能正常工作，是因为示例里的目标节点（比如<title>）的文本就是它的直接子节点，调用get_content()直接就能拿到文本。
• 你修改后的代码如果选中了包含嵌套元素的父节点（比如<body>、包裹标题/段落的<div>），这些父节点的直接子节点都是其他元素节点（不是文本节点），所以get_content()自然返回空。

递归遍历能解决问题的原理 #

HTML的文本内容在DOM树里是以文本节点的形式存在，而且往往嵌套在多层元素内部。递归遍历的逻辑刚好补全了get_content()的不足：

• 遍历当前节点的所有子节点
• 碰到文本节点就提取内容
• 碰到元素节点就继续深入遍历它的子节点
  这种方式能覆盖DOM树的所有层级，自然能把标题、段落等所有文本都提取出来。

内容的提问来源于stack exchange，提问作者ryan714