在XML和HTML文档解析场景中，获取特定标签的纯文本内容时，经常会遇到标签内部嵌套了其他子元素的情况，这时候直接获取标签的整体文本会把子元素的内容也一并包含进来，无法满足精准提取的需求。比如下面的HTML片段，我们想要获取outer标签的纯文本，也就是"外层文本"，但内部的inner标签内容"内层文本"需要排除。
问题场景示例
先看一个典型的HTML结构示例，这是很多开发者会遇到的常见情况：
<div class="outer">
外层文本
<span class="inner">内层文本</span>
后续文本
</div>
如果使用常规的直接获取文本的方法，得到的结果会是"外层文本 内层文本 后续文本"，而我们实际需要的是排除子元素span后的内容，也就是"外层文本 后续文本"。
原生JavaScript DOM操作方法
在浏览器端的JavaScript环境中，可以通过操作DOM节点的childNodes属性来区分文本节点和元素节点，只提取文本节点的内容。
实现思路
- 获取目标标签的所有子节点
- 遍历子节点，判断节点类型是否为文本节点（nodeType为3）
- 将文本节点的内容拼接起来，过滤掉空白字符
代码示例
// 获取目标标签
const outerDiv = document.querySelector('.outer');
// 初始化结果字符串
let pureText = '';
// 遍历所有子节点
outerDiv.childNodes.forEach(node => {
// 判断是否为文本节点
if (node.nodeType === Node.TEXT_NODE) {
// 去除空白字符后拼接
const textContent = node.textContent.trim();
if (textContent) {
pureText += textContent + ' ';
}
}
});
// 去除末尾多余的空格
pureText = pureText.trim();
console.log(pureText); // 输出：外层文本 后续文本
Python lxml库提取方法
在Python的后端解析场景中，lxml是处理XML和HTML的常用库，它提供了灵活的XPath语法和节点操作方法，可以精准提取目标标签的纯文本。
实现思路
- 使用lxml解析文档字符串
- 通过XPath获取目标标签的直接文本节点（使用text()结合位置判断）
- 过滤掉空文本后拼接结果
代码示例
from lxml import etree
# 定义HTML字符串
html_str = '''
<div class="outer">
外层文本
<span class="inner">内层文本</span>
后续文本
</div>
'''
# 解析HTML
html = etree.HTML(html_str)
# 获取outer标签对象
outer = html.xpath('//div[@class="outer"]')[0]
# 获取outer的直接文本节点，排除子元素的文本
direct_texts = []
for child in outer.iterchildren():
# 获取当前子元素之前的文本
prev_text = child.getprevious()
if prev_text is not None and isinstance(prev_text, etree._ElementUnicodeResult):
text = prev_text.strip()
if text:
direct_texts.append(text)
# 获取最后一个子元素之后的文本
last_text = outer.text
if last_text:
last_text = last_text.strip()
if last_text:
direct_texts.append(last_text)
# 处理尾部文本
tail_text = outer.tail
if tail_text:
tail_text = tail_text.strip()
if tail_text:
direct_texts.append(tail_text)
# 拼接结果
pure_text = ' '.join(direct_texts)
print(pure_text) # 输出：外层文本 后续文本
通用正则表达式方法
如果不想依赖特定的解析库，也可以使用正则表达式来匹配目标标签的起始和结束标记，然后提取其中的直接文本内容，排除子标签的干扰。
注意事项
正则表达式方法只适合结构简单的文档，对于嵌套层级复杂的XML/HTML可能会出现匹配错误，优先推荐使用DOM解析的方式。
代码示例（JavaScript）
const htmlStr = `<div class="outer">
外层文本
<span class="inner">内层文本</span>
后续文本
</div>`;
// 匹配div标签的起始和结束，捕获内部内容
const reg = /<div[^>]*class="outer"[^>]*>([sS]*?)</div>/;
const match = htmlStr.match(reg);
if (match) {
const innerContent = match[1];
// 去除所有子标签
const pureText = innerContent.replace(/<[^>]+>/g, '').trim().replace(/s+/g, ' ');
console.log(pureText); // 输出：外层文本 后续文本
}
不同方法对比
下面是几种方法的适用场景对比：
| 方法 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 原生DOM操作 | 浏览器端JavaScript环境 | 无需额外依赖，兼容性好 | 仅适用于浏览器环境 |
| Python lxml库 | Python后端解析场景 | 解析准确，支持复杂文档结构 | 需要安装第三方库 |
| 正则表达式 | 简单结构的文档，无解析库环境 | 无依赖，通用性强 | 复杂结构容易出错，维护成本高 |
总结
精准提取XML/HTML中特定标签的纯文本并排除子元素干扰，核心思路是区分目标标签的直接文本节点和子元素的文本节点。在浏览器端优先使用原生DOM的childNodes遍历方法，在Python后端优先使用lxml库的节点遍历方法，只有在无解析库可用的简单场景下才考虑使用正则表达式。根据实际开发场景选择合适的方法，可以避免很多不必要的解析错误，提升代码的稳定性。