html li标签中的dr,HTML XPath：提取混合了多个标签的文本？

目标：从特定元素(例如li)中提取文本，同时忽略各种混合标签，即展平第一级子元素并简单地分别返回每个展平子元素的拼接文本。HTML XPath：提取混合了多个标签的文本？

例子：

CIA

1. Central Intelligence Agency.
2. Culinary Institute of America.

所需的文本：

中央情报局

美国

的烹饪学院除了周围的锚标记防止简单的检索。

要单独返回每个L1标签，我们使用简单：

//div[contains(@id,"mw-content-text")]/ol/li

但也包括围绕锚标签等，并

//div[contains(@id,"mw-content-text")]/ol/li/text()

只返回文本元素是直接的孩子李，即'中央'，'。'...

看起来很合乎逻辑然后寻找自己和后代的文本元素

//div[contains(@id,"mw-content-text")]/ol/li[descendant-or-self::text]

但是根本没有任何回报！

有什么建议吗？我使用Python，因此我愿意使用其他模块进行后期处理。

(我用的是Scrapy HtmlXPathSelector这似乎的XPath 1.0标准)

2012-05-16

ChaimKut

+0

可能有用：http://stackoverflow.com/questions/4378502/xpath-return-all-non-blank-text-nodes-not-descendant-of-a-style-or-script/6303276 –