Как спарсить текст, идущий после определенного HTML-кода?

Question

[ifap]

Есть примерно такой код:

<div>Title 1 <i>Title 2</i></div>
<div>Text 1 <span>Text 2</span></div>

Что там до и после него идет – рандом и не уникально, id у контейнеров нету, классы есть, но не уникальные, по номеру потомка выборка невозможна, т.к. он меняется на разных страницах, уникальна только строчка: Title 1 Title 2

Задача: спарсить значение «Text 1 + Text 2», т.е. инструкция должна выглядеть как «спарсить текстовое содержимое div, следующего за кодом: Title 1 Title 2. А как это сделать? Поиск не принес ответа, т.к., видимо, неправильно формулирую запрос…

Answer 1

[Roman Fov]

//*[text()='Title'][1]/following-sibling::*[1]

Если интересно, то изучаем оси XPath

Comments

[ifap]

Спасибо, работает! Но мне явно следовало уточнить, что внутри первого и второго контейнера может быть не только текст ;) Например, так:

<div><b>Title</b></div>
<div>Text <span>text</span></div>

И в этом случае запрос не работает :(

Можно его переформулировать так, чтобы мы отталкивались от DIV, в котором содержится «Text» (и что-то еще, но другие DIV в него точно не вложены), и парсили текстовое содержимое следующего за ним DIV?

[Roman Fov]

Тогда так

//div[descendant-or-self::*/text()='Title'][1]/following-sibling::*[1]/descendant-or-self::*/text()

Или (если есть поддержка string-join) вот так

string-join(//div[descendant-or-self::*/text()='Title'][1]/following-sibling::*[1]/descendant-or-self::*/text(), '')

[ifap]

Спасибо, уже первый вариант подошел. А подскажите еще, как свалить отпарсенный текст "в кучу"?

Т.е. если мы имеем:

<div>Title</div>
<div>Text1<b>Text2</b></div>

или в тексте знак переноса строки, то результат парсинга - 2 (или более) блока текста: "Text1" и "Text2", а как их слить в один "Text1Text2"?

[Roman Fov]

string-join или уже разбирать ответ на питоне, яве, пыхе или что там есть

[ifap]

Я пытался прикрутить к Вашему коду string-join, но не смог в синтаксис, видимо. Я вот также не понимаю, почему не работает:

//td[descendant-or-self::*/starts-with(text(),'TEXT')][1]/following-sibling::*[1]/descendant-or-self::*/text()

Разрешите я взгляну на Вас глазами кота из "Шрека" и попрошу правильно прикрутить string-join и starts-with? :) Я честно пытался сам, но смог только в OR, а дальше синтаксис меня победил :(

[ifap]

Roman Fov, методом ненаучного тыка наугад нашел решение:

//td[descendant-or-self::*/text()='TEXT'][1]/following-sibling::*[1]

Результат позволяет свалить все содержимое контейнера в одну текстовую строку, даже если содержимое размечено тегами.