XPath如何按原顺序提取同级纯文本与a标签内文本

你之前拆分提取的方式会丢失节点的原始排列顺序，直接用按文档顺序遍历所有文本节点的方案即可，不需要分开提取直接文本和子标签文本。

方法1：通用XPath写法（兼容所有支持XPath的解析库） #

直接在目标<p>节点上执行.//text()提取规则即可：

• 这个XPath会选中当前节点下所有层级的文本节点，严格按照HTML中的出现顺序返回，不会出现顺序错乱问题
• 空标签<br>本身没有文本内容，不会被提取出来
• 提取后只需要清理每个文本项首尾的换行、缩进空白，过滤掉空字符串后拼接即可

示例代码：

# 以parsel/Scrapy选择器为例
text_nodes = p_selector.xpath('.//text()').getall()
result = ''.join([node.strip() for node in text_nodes if node.strip()])
# 执行后result即为"ABCDEF"

方法2：lxml原生方法（适用于lxml/Scrapy环境） #

如果你的解析底层用的是lxml，可以直接调用元素节点的text_content()方法，该方法会自动按文档顺序拼接节点内所有文本，拿到原始文本后清理多余空白即可：

p_element = root.xpath('//p')[0]
raw_text = p_element.text_content()
# 移除所有换行、缩进类空白
result = ''.join(raw_text.split())
# 执行后result即为"ABCDEF"

之前方案的问题说明 #

你之前用xpath(text())仅提取当前节点的直接子文本节点，用xpath(./*)仅提取子元素节点，相当于把两类交叉排列的节点拆成了两个独立列表，完全丢失了原有的先后顺序，自然无法正确拼接。

内容的提问来源于stack exchange，提问作者Tudis Lei