如何编写XPath提取span文本时排除内部new-tag的Neu内容

问题背景 #

待处理HTML片段：

<span class="jsx-2465661648"><span class="jsx-2748387826 new-tag">Neu</span>Brunel GmbH NL Bielefeld</span>
<span class="jsx-2465661648">Arvato Supply Chain Solutions</span>

提取目标为两个字符串：

• Brunel GmbH NL Bielefeld
• Arvato Supply Chain Solutions

使用初始XPath //span[@class="jsx-2465661648"] 提取时，会返回混入子标签内容的错误结果 NeuBrunel GmbH NL Bielefeld，需要排除内部class为new-tag的子span内的"Neu"文本。

错误原因 #

直接选中目标span元素后读取全量文本，会递归提取该元素下所有后代节点的文本并拼接，因此子标签内的"Neu"会被一并纳入结果。

可用XPath写法 #

通用最简写法 #

XPath中text()仅匹配当前节点下的直属文本子节点，不会递归读取子元素内部的内容，直接使用以下语句即可得到正确结果：

//span[@class="jsx-2465661648"]/text()

如果返回结果带前后多余空格、换行，可套normalize-space()做清洗：

//span[@class="jsx-2465661648"]/normalize-space(text())

执行后会直接返回两个目标字符串，完全不会混入子标签的"Neu"内容。

复杂场景适配写法 #

如果目标span后续可能新增其他需要排除的子标签，可显式跳过指定子节点提取内容，示例如下：

//span[@class="jsx-2465661648"]/node()[not(contains(@class,"new-tag"))]/text()

该写法会自动跳过带new-tag类名的子标签，提取其余节点的文本，适配子标签位置不固定的复杂DOM场景。

内容的提问来源于stack exchange，提问作者Bao Hoang