如何用XPath获取最深层级含文本的class元素文本内容？

这个需求在网页数据提取中挺常见的——目标文本可能直接在classA节点里，也可能嵌套在更深的classB节点中，我们需要精准拿到最内层那个包含文本的节点内容。

先看你的示例结构：

<?xml version="1.0" encoding="UTF-8"?>
<html>
  <td>
    <span class="classA">当classA为最深层级时的目标文本</span>
  </td>
  <td>
    <span class="classA">
      <span class="classB">当classB为最深层级时的目标文本</span>
    </span>
  </td>
</html>

核心解决方案 #

我们可以通过XPath的节点过滤能力，定位到没有子级目标类节点的目标节点，也就是最深层级的那个，然后提取它的文本。

1. 精确匹配class属性（适用于class属性只有单个值的情况）

使用这个XPath表达式：

//span[@class='classA' or @class='classB'][not(.//span[@class='classA' or @class='classB'])]/text()

2. 模糊匹配class属性（适用于class有多个值，比如class="classA other-class"）

如果你的class属性可能包含多个值，为了避免误匹配类似classA-extra这样的节点，可以用更严谨的写法：

//span[
  contains(concat(' ', @class, ' '), ' classA ') 
  or contains(concat(' ', @class, ' '), ' classB ')
][
  not(.//span[
    contains(concat(' ', @class, ' '), ' classA ') 
    or contains(concat(' ', @class, ' '), ' classB ')
  ])
]/text()

表达式逻辑解释 #

• //span[@class='classA' or @class='classB']：先筛选出所有带有classA或classB的span节点
• [not(.//span[...])]：过滤掉那些内部还包含classA或classB子节点的元素，剩下的就是最深层级的目标节点
• /text()：提取这些最深节点的文本内容

用这个表达式跑你的示例XML，会精准得到两个结果：

• 当classA为最深层级时的目标文本
• 当classB为最深层级时的目标文本

内容的提问来源于stack exchange，提问作者Tomasz Wojciechowski