¿Cómo seleccionar elementos por texto en XPath?

Seleccionar elementos por texto en XPath es una técnica potente que se utiliza en el raspado web y la extracción de datos de documentos HTML. Este método resulta particularmente útil cuando se desconoce la estructura del documento o cuando los elementos no tienen atributos únicos. XPath, un lenguaje de consulta para seleccionar nodos de un documento XML, proporciona una forma sencilla de buscar elementos en función de su contenido de texto.

Cómo seleccionar elementos por texto en XPath

Para seleccionar elementos por su contenido de texto, XPath ofrece la función text() y la función contains(). La sintaxis básica para encontrar un elemento cuyo contenido textual coincida exactamente es:

//tagname[text()='exact text']

Por ejemplo, para encontrar todos los elementos que contengan el texto exacto “Hello World”:

//p[text()='Hello World']

Sin embargo, las páginas web suelen tener contenidos dinámicos o textos con ligeras variaciones, lo que hace poco factibles las coincidencias exactas. En tales casos, la función contains() tiene un valor inestimable. Permite seleccionar elementos que contienen una subcadena especificada. La sintaxis es:

///tagname[contains(text(),'substring')]

Por tanto, para seleccionar elementos que contengan la subcadena “Hello”:

//p[contains(text(),'Hello')]

Este método es increíblemente flexible y se puede adaptar para seleccionar elementos en función de coincidencias de texto parciales, lo cual es común en los contenidos web dinámicos.

Uso avanzado

Para situaciones más complejas, como seleccionar elementos en función de varias condiciones de texto o mezclar condiciones de texto con condiciones de atributos, las expresiones XPath se pueden combinar mediante operadores lógicos como “and” y “or”:

//div[contains(text(),'Important') and @class='message']

Esta acción seleccionaría todos los elementos con un atributo de clase de ‘message’ que también contenga el texto “Important”.