如何使用XPATH获取两个h3标签之间的所有元素

单个区间提取（第一个h3到第二个h3） #

直接用XPath就能精准定位两个h3之间的所有同级元素，推荐两种实用写法：

1. 基于前置h3数量筛选

//article/h3[1]/following-sibling::*[count(preceding-sibling::h3) = 1]

• 逻辑：先定位第一个h3，再选取它之后的所有同级元素，最后筛选出前面仅有1个h3的元素——这些元素恰好处于第一个和第二个h3之间。

2. 基于排除后续h3的前置元素

//article/h3[1]/following-sibling::*[not(preceding-sibling::h3[2])]

• 逻辑：选取第一个h3之后的同级元素，排除那些位于第二个h3之后的元素，剩余部分就是两个h3之间的内容。

批量处理所有h3对应内容 #

如果要自动遍历所有h3，提取每个副标题和对应的后续内容，以Python的lxml库为例，代码示例如下：

from lxml import etree

# 假设html_content是你的文章HTML源码
tree = etree.HTML(html_content)
h3_nodes = tree.xpath('//article/h3')

for index, h3 in enumerate(h3_nodes):
    # 提取副标题文本
    subtitle = h3.xpath('string(.)').strip()
    # 提取对应内容
    if index < len(h3_nodes) - 1:
        # 非最后一个h3：取当前h3到下一个h3之间的元素
        content_nodes = h3.xpath(f'following-sibling::*[preceding-sibling::h3[{index+1}] and not(preceding-sibling::h3[{index+2}])]')
    else:
        # 最后一个h3：取之后所有同级元素
        content_nodes = h3.xpath('following-sibling::*')
    # 把元素转为纯文本
    content = ' '.join([etree.tostring(node, encoding='unicode', method='text').strip() for node in content_nodes])
    # 输出结果
    print(f"副标题：{subtitle}\n内容：{content}\n")

内容的提问来源于stack exchange，提问作者Prinple Vrlo