如何通过Scrapy XPath路径精准提取HTML中li与ul元素的文本？

提取Text1 #

你之前用//li/text()会拿到所有层级<li>的文本（包括外层li的空白换行），要精准拿到Text1，可以通过定位最外层的<li>（它没有父级<ul>），再提取其有效文本：

# 方法1：过滤掉空白内容，只保留有效文本
selector.xpath('//li[not(ancestor::ul)]/text()[normalize-space()]').extract()

# 方法2：直接获取该节点的规范化文本（自动去除多余空白）
selector.xpath('normalize-space(//li[not(ancestor::ul)])').extract()

两种方法都会返回['Text1']。

提取Text2和Text3 #

你的思路完全正确，直接用精准路径定位内层<li>即可：

selector.xpath('//li/ul/li/text()').extract()

执行后会得到['Text2', 'Text3']。

补充说明 #

原来的//li/text()之所以会拿到冗余内容，是因为//li会匹配页面中所有层级的<li>元素，包括外层和内层的，text()会返回这些元素下的所有文本节点（包括换行、缩进这类空白字符）。通过添加层级限制（比如//li/ul/li）或者父级过滤（not(ancestor::ul)），就能精准定位到目标元素。

内容的提问来源于stack exchange，提问作者Josh