如何使用XPath选择p节点文本并排除class为DoNotTranslate的span内容

原XPath失效原因 #

你写的//p/node()[not (@class="DoNotTranslate")]存在两处逻辑缺陷：

1. 仅排除了p的直接子节点中带class="DoNotTranslate"属性的元素，不会排除这类元素内部嵌套的所有后代文本内容
2. 没有过滤p节点外的其他无关节点内容

可行解决方案 #

方案1：纯XPath提取符合要求的文本 #

如果只需要提取p节点内的目标文本，可使用如下XPath表达式：

//p/descendant-or-self::text()[not (ancestor::span[@class="DoNotTranslate"])]

表达式逻辑：先匹配所有p节点，再选中p节点自身及所有后代中的文本节点，过滤掉所有父级链上存在class="DoNotTranslate"属性的span的文本节点，完全覆盖嵌套场景下的排除需求。

方案2：结合DOM操作生成目标结构 #

如果你需要输出完整的<p>xxx</p>格式结果，可通过DOM操作先移除不需要的元素再输出，以下是Python lxml库的实现示例：

from lxml import etree

# 加载示例HTML内容
html = etree.HTML("""
<table>
  <p>Table0
  </p>
  <ol>
    <li>
      <span class="DoNotTranslate">add_punctuation</span>
    </li>
    <li>
      <span class="DoNotTranslate">alternate_graphic</span>
    </li>
  </ol>
  <p>Table1
    <span class="DoNotTranslate"><span class="ScreenElement">call_number</span></span>
  </p>
</table>
""")

# 遍历所有p节点
for p_node in html.xpath('//p'):
    # 移除p节点内所有class为DoNotTranslate的span及其后代
    for invalid_span in p_node.xpath('.//span[@class="DoNotTranslate"]'):
        invalid_span.getparent().remove(invalid_span)
    # 提取清理后的p节点文本并格式化输出
    clean_text = p_node.xpath('string(.)').strip()
    print(f"<p>{clean_text}</p>")

运行上述代码输出结果完全匹配你的预期：

<p>Table0</p>
<p>Table1</p>

内容的提问来源于stack exchange，提问作者RaNdom