如何使用XPath提取H1标签中的纯数字内容

目标HTML代码 #

<header>
<h1>Example Chapter 01</h1>
<span class="epx">Kamis, 08 Sep 2022, in <i class="fas fa-book-open"></i> <a href="/manga/isekai-de-onnanoko-no-onaneta/" title="Example"> Example</a></span>
</header>
<div class="desch">Example.</div>
</div>

不同版本XPath的解决方案 #

1. XPath 2.0及以上（支持高级字符串函数）

如果你的环境支持XPath 2.0，有两种简洁写法：

• 直接取最后一段内容（适合章节后只有数字的固定格式）：

//h1/tokenize(text(), '\s+')[last()]

通过空格拆分H1文本，取最后一个片段，就是目标数字。

• 精准匹配“Chapter”后的内容：

//h1/substring-after(text(), 'Chapter ')

直接提取“Chapter ”之后的全部文本，刚好是数字部分。

2. XPath 1.0（兼容性更强，无高级函数）

如果只能用XPath 1.0，用字符串截取组合实现：

• 基础截取：

//h1/substring(text(), string-length(substring-before(text(), 'Chapter ')) + string-length('Chapter '))

先计算“Chapter ”前面文本的长度，加上“Chapter ”本身的长度，从该位置开始截取后续内容。

• 只保留数字（防止章节后有非数字内容）：

//h1/translate(substring-after(text(), 'Chapter '), translate(substring-after(text(), 'Chapter '), '0123456789', ''), '')

先拿到“Chapter ”后的内容，再移除其中所有非数字字符，仅保留数字。

内容的提问来源于stack exchange，提问作者LoLyz Project