Xpath text()函数的用法

Question

我有一些html文件，其中包含以下内容：

<div>Chapter 1. <span>Contents of chapter N1.</span> </div>
<div>Chapter 2. <span>Contents of chapter N2.</span> </div>

我试图提取这些标记中包含的文本，并使用xpath '// text ()‘函数：

parser = etree.HTMLParser()
tree = etree.parse(StringIO(html),parser)
text = list(set( tree.xpath('//text()') ))
text = " ".join(text)

它很好，只是我想改变提取的顺序。现在，我得到了以下结果：

N1章的内容。N2章的内容。第二章，第一章。

但我想得到的结果是：

第一章第一章的内容第二章第二章的内容。

除了递归处理从文档顶部到底部的每个标记之外，还有其他更好的方法来完成这个任务吗？

Answer 1

你确定string(/)不会给你你想要的答案吗？这与您所拥有的不太一样，在文档<p><i>Hello</i>!</p>中，它将为您提供"Hello!"而不是"Hello !"，但在大多数情况下，我认为这是您想要的。

Answer 2

似乎您正在尝试使用set来删除重复项。

在python中，set中的元素是无序的，这意味着从集合中获取元素的顺序依赖于实现，因此如果要保留顺序，就不能使用这种删除重复元素的方法。

text = " ".join(tree.xpath("//text()"))

在没有重复的情况下会产生预期的结果。