如何使用XPath提取div.entry内第一个hr标签之前的全部文本

错误原因 #

你之前的写法存在两个问题：

1. ancestor::div[@class="entry"]/text()只会提取div节点的直接子文本节点，而你需要的文本都包裹在p等子节点内部，不会被匹配到
2. 没有限定只取第一个hr之前的内容，会匹配整个div下的文本，不符合筛选要求

正确写法 #

场景1：XPath 1.0 环境（多数爬虫、旧解析器适用） #

如果需要分别拿到每个文本节点，写法如下：

//div[@class="entry"]/hr[1]/preceding-sibling::*//text()

如果还要包含div下第一个hr之前的无标签直接文本，修改为：

//div[@class="entry"]/hr[1]/preceding-sibling::node()//text()

场景2：XPath 2.0 及以上环境 #

如果需要直接拼接所有符合条件的文本为一个字符串，写法如下：

string-join(//div[@class="entry"]/hr[1]/preceding-sibling::*//text(), ' ')

逻辑说明 #

上述写法的核心是使用preceding-sibling轴，先定位到class为entry的div下的第一个hr标签，再匹配该hr之前的所有同级节点，最后提取这些节点下全层级的文本内容，刚好匹配你给出的示例需求，可正确获取到some text、some text2、some text3、some text4四段内容。

内容的提问来源于stack exchange，提问作者rajsx