如何使用XPath提取p标签内href链接外的文本并输出目标列表

没有能在所有XPath版本下通用的、一步到位直接输出目标列表的纯XPath写法，根据你使用的解析器支持的XPath版本，选对应方案即可： #

通用兼容方案（支持所有XPath 1.0解析器，含lxml、Scrapy、浏览器原生XPath、Java XPath等绝大多数常用场景） #

1. 首先用如下XPath按DOM原始顺序抓取目标p标签下所有文本节点（包含a标签内文本、p标签直属的非链接文本）：

//div[@class="content clearfix"]/p[2]//text()

2. 对抓取到的文本节点做极简单的后置处理即可得到目标结果：
   • 遍历每个文本片段，去除首尾的换行、空格、制表符、逗号等分隔符
   • 过滤掉处理后为空的内容
     最终输出的列表就是你需要的["text1", "text2", "text3", "text4", "text5", "text6", "text7", "text8", "text9"]，完全保留原文顺序，不会漏内容也不会带冗余字符。

注意不要用//p[2]/a/text() | //p[2]/text()这类联合查询写法，不少XPath 1.0解析器不会严格按DOM顺序返回两类节点的结果，很容易出现文本排序错乱的问题。

XPath 2.0+ 一步到位方案（仅适用于支持高版本XPath的解析器，如Saxon、BaseX等） #

如果你的解析器支持XPath 2.0及以上版本，可以直接用如下表达式直接输出过滤后的有序结果，不需要额外后置处理：

//div[@class="content clearfix"]/p[2]//text() ! normalize-space() ! replace(., '^,|,$', '')[. != '']

表达式逻辑说明：

• 首先按DOM顺序抓取p节点下所有层级的文本节点
• normalize-space() 清除每个文本片段首尾的空白字符，合并内部连续空白
• replace(., '^,|,$', '') 清除每个文本片段首尾残留的逗号分隔符
• 最后过滤掉处理后为空的片段，直接返回目标文本列表

内容的提问来源于stack exchange，提问作者Life after Guest