本文介绍在 XPath 中如何按 HTML 文档顺序选取特定后代元素（如 p 和 h3），同时自动包含其全部文本内容（含内嵌 strong 等子元素的文本），并安全跳过不需要的节点（如 .not-select、、空列表等），避免直接操作 text() 节点带来的顺序与过滤难题。
本文介绍在 xpath 中如何按 html 文档顺序选取特定后代元素（如 `p` 和 `h3`），同时自动包含其全部文本内容（含内嵌 `strong` 等子元素的文本），并安全跳过不需要的节点（如 `.not-select`、`<script>`、空列表等），避免直接操作 `text()` 节点带来的顺序与过滤难题。</script>
直接选取所有 descendant::text() 并尝试用 not(@class="not-select") 过滤是无效的——因为 text() 节点本身没有 @class 属性，该条件永远为真，无法真正排除来自 .not-select 或 <script> 内的文本。根本问题在于：<strong>XPath 的 text() 节点不具备父级上下文属性，无法通过自身属性反向过滤其来源容器。</script>
正确的思路是「选元素，而非选文本」：优先定位你真正需要的容器元素（如
和
），再提取其完整文本内容。这些元素天然保持 HTML 中的出现顺序，且其 textContent（DOM）或 string(.)（XPath）会自动合并所有后代文本节点（包括 中的内容），无需手动拼接。✅ 推荐 XPath 表达式（简洁、可靠、保序）：
//div[@class="div-needed"]/*[self::p or self::h3]
该表达式含义：在 class="div-needed" 的 div 下，选取所有直接子元素中类型为 p 或 h3 的节点。注意，它不递归匹配深层嵌套（如 div > div > p），但恰好符合示例结构——所有目标 p 和 h3 均为直接子元素。
若需支持任意深度的 p/h3 后代（例如嵌套在其他容器内），可改用：
//div[@class="div-needed"]//p | //div[@class="div-needed"]//h3
但需注意：// 可能降低性能，且在复杂 DOM 中需确认语义是否仍准确。
? 提取文本内容的方法：
-
在编程语言中（如 Python + lxml）：对每个匹配到的 p 或 h3 元素调用 .text_content()（lxml）或 .textContent（浏览器 DOM），它会自动返回扁平化、去标签的全部文本（含 内容），且保留原始顺序。
-
纯 XPath 中：对每个匹配元素使用 string(.)，例如：
//div[@class="div-needed"]/*[self::p or self::h3]/string(.)
（注：部分 XPath 实现如 XPath 1.0 不支持直接对节点集调用 string()，需逐个计算；XPath 2.0+ 支持 for $e in //... return string($e)）
⚠️ 注意事项：
- 不要试图用 descendant::text()[not(parent::div[@class="not-select"])] 等方式“修补”文本节点过滤——逻辑脆弱、易漏判（如 script、style、注释节点），且无法处理 text() 跨多个父元素的边界问题。
- <script>、<style>、注释节点默认不生成 text() 节点（或被解析器忽略），但显式排除更稳妥；本方案因不匹配这些标签，天然规避风险。</script>
- 若未来需排除某类 p（如带特定 class），可在谓词中增强条件：//div[@class="div-needed"]/p[not(@class="excluded")]。
总结：以元素为中心、利用 string() 或 textContent 获取聚合文本，是处理“有序、过滤、含内联格式”的最健壮 XPath 实践。 它既保证文档顺序，又规避了 text() 节点无上下文属性的根本缺陷，代码清晰、易于维护。
//div[@class="div-needed"]/*[self::p or self::h3]/string(.)
（注：部分 XPath 实现如 XPath 1.0 不支持直接对节点集调用 string()，需逐个计算；XPath 2.0+ 支持 for $e in //... return string($e)）
