如何使用XPath从指定HTML结构中提取发布时间文本

待解析的目标HTML结构如下（原代码中div的class属性存在单双引号混用的笔误，HTML解析器会自动修正class值为postbodytop，不影响节点定位）：

<div class="postbodytop">
  <a class="xxxxxxxxxxxxxxxx" href="xxxxxxxxxxxxxx">tonyd</a>
  "posted this 4 minutes ago "
  <span class="hidden-xs"> </span>  
</div>

提取完整文本posted this 4 minutes ago #

目标文本是div节点下的直接文本节点，不属于a、span等子元素的内容，可按需选择表达式：

• 基础定位表达式（取到原始文本节点，包含前后多余空格、包裹的双引号）：

  //div[contains(@class,'postbodytop')]/text()[normalize-space()]
  

• 格式化输出表达式（自动去除前后空白、剥离包裹的双引号，兼容所有XPath 1.0环境）：

  normalize-space(translate(//div[contains(@class,'postbodytop')]/text()[normalize-space()], '"', ''))
  

  执行后直接返回无多余格式的posted this 4 minutes ago。

提取时间片段4 minutes #

根据使用环境的XPath版本支持情况，可选两种写法：

• 兼容XPath 1.0（无正则依赖，基于固定文本结构截取）：

  substring-before(substring-after(normalize-space(translate(//div[contains(@class,'postbodytop')]/text()[normalize-space()], '"', '')), 'this '), ' ago')
  

• XPath 2.0+环境（正则匹配，容错性更高，不受前后文本微调影响）：

  replace(normalize-space(//div[contains(@class,'postbodytop')]/text()[normalize-space()]), '^.*?(\d+\s+minutes).*$', '$1')
  

  上述两个表达式执行后都会返回目标时间片段4 minutes。

内容的提问来源于stack exchange，提问作者Sam Rodriguez