元素的 select 字符串值的 XPath 但 <br/> 替换为换行符？

Question

是否可以在 html 上调用 xpath normalize-space() 并将 <br>、<br/> 显示为新行？ XPath 版本为 1.0

我们解析来自网站的文章。真实 HTML 代码示例：

<div id="someid">
    <img src="https://habrastorage.org/webt/ej/ye/hp/ejyehp08ercmqzlhzh3um6mtukm.jpeg"><br>
    <br>
    Организовать удаленный доступ для сотрудников — задача прикладная. Решений на рынке немало, при этом, и подводных камней достаточно. Под катом рассказ о нашем «чемодане», который раскладывается быстро и удобно за 30 минут. Просьба не воспринимать это как рекламный BS, поскольку внутри реальная инструкция по применению.<a name="habracut"></a><br>
    <br>
    <a href="https://www.parallels.com/ru/products/ras/remote-application-server/">Parallels Remote Application Server</a> (RAS) — это комплексное средство для доставки виртуальных приложений и рабочих столов, позволяющее работать с приложениями и данными с любого устройства, в том числе мобильного. Мы понимаем, что такие решения хочется сначала протестировать в конкретных условиях, прежде чем принимать решение о покупке.     <br>
    <br>
</div>

从站点提取文本时没有问题。问题是 normalize-space 删除了所有包含 <br> 的标签。结果我们有一个长文本行。我需要带中断的文本行。

预期结果：

Организовать удаленный доступ для сотрудников — задача прикладная. Решений на рынке немало, при этом, и подводных камней достаточно. Под катом рассказ о нашем «чемодане», который раскладывается быстро и удобно за 30 минут. Просьба не воспринимать это как рекламный BS, поскольку внутри реальная инструкция по применению.

Parallels Remote Application Server(RAS) — это комплексное средство для доставки виртуальных приложений и рабочих столов, позволяющее работать с приложениями и данными с любого устройства, в том числе мобильного. Мы понимаем, что такие решения хочется сначала протестировать в конкретных условиях, прежде чем принимать решение о покупке.

Answer 1

这个 XPath 2.0 表达式，

string-join(
for $n in (//div[@id="someid"]//node()[self::br or self::text()]) 
    return if (name($n)='br') 
           then codepoints-to-string(10)
           else $n, '')

将加入目标 div 的所有文本节点后代的字符串，用换行符替换所有 br 元素。

Answer 2

不幸的是，我没有用 xpath 解决这个问题。此方案适用于python（scrapy框架），其他语言算法相同

parsed_text = remove_tags(response.xpath(record['xpath_text']).extract_first())
text = re.sub(r'\n\s*\n', '\n\n' , parsed_text).strip()

元素的 select 字符串值的 XPath 但 <br/> 替换为换行符？

XPath to select string value of element but with <br/> replaced with newline?

python

xpath

scrapy

scrapy-spider

xpath-1.0