except运算符用于求两个节点集的差集，返回第一个节点集中不在第二个节点集中的节点，语法为“节点集A except 节点集B”，适用于XPath 2.0及以上版本；在XPath 1.0中可通过[not()]谓词实现类似效果，如//p[not(@id=’p2′)]；与union（并集）和intersect（交集）共同构成XPath集合操作体系，广泛应用于网页抓取中的内容清洗与干扰元素排除。
XPath中的
except
运算符，简单来说，就是用来找出两个节点集之间独有的部分，也就是我们常说的“差集”。它会返回第一个节点集中存在，但第二个节点集中不存在的所有节点。
当我第一次接触到
except
这个操作符时，脑子里浮现的其实是数据库里SQL的
except
。它们的核心理念是相通的：从一个集合里剔除另一个集合的成员。在XPath里，这尤其有用，比如你想选定页面上所有链接，但又不包括那些指向外部网站的。或者，你可能想抓取所有段落，但要排除掉那些包含特定广告类的。
它的基本语法是：
节点集A except 节点集B
。这会返回一个全新的节点集，其中包含了所有属于
节点集A
，但却不属于
节点集B
的节点。
举个例子，假设我们有这样的HTML结构：
如果我们想选择所有
p
元素，但排除掉
id
为
p2
的那个，可以这样写：
//p except //p[@id='p2']
这个表达式会返回
这是一个段落。
。
再来一个更复杂的场景，比如我们想获取所有的
div
子元素，但又不想包含那些有
class="header"
的
div
。假设HTML是：
Header 1Content 1Header 2Content 2
XPath可以写成：
//div[@class='main']/* except //div[@class='header']
这里，
//div[@class='main']/*
会选出所有
main
类
div
下的直接子元素（包括header和普通div）。
except //div[@class='header']
则把所有
header
类的
div
从结果中剔除。最终得到的就是
Content 1
和
Content 2
。
有一点需要注意，
except
操作符是XPath 2.0及以上版本才支持的。如果你在使用XPath 1.0的环境，比如一些老旧的XML解析库，或者某些浏览器内置的XPath引擎，你可能就无法直接使用它了。这时候，我们通常需要借助其他方法，比如结合
[not()]
谓词或者在编程语言层面进行过滤。这多少有点麻烦，但也不是没有办法。
XPath 1.0环境下如何实现差集操作？
这确实是个现实问题。我之前就遇到过，在一些遗留系统里，虽然XPath 2.0已经普及很久了，但它们的底层解析器依然停留在1.0版本。这时候
except
就用不上了，你得换个思路。
最常见的替代方案是利用谓词（predicates）中的
not()
函数。它的逻辑是“选择所有满足条件A的节点，并且这些节点不满足条件B”。语法通常是：
节点集A[not(条件B)]
。
举个例子，还是刚才那个需求：选择所有
p
元素，但排除掉
id
为
p2
的。在XPath 1.0中，你可以这样写：
//p[not(@id='p2')]
这会非常精准地选出所有
p
元素中，那些
id
属性不等于
p2
的。结果和
//p except //p[@id='p2']
是完全一样的。
再看那个剔除
header
类
div
的例子：HTML:
Header 1Content 1Header 2Content 2
XPath 1.0的写法可以是：
//div[@class='main']/*[not(@class='header')]
这个表达式会先选择
class
为
main
的
div
下的所有直接子元素，然后通过
[not(@class='header')]
过滤掉那些
class
为
header
的。逻辑清晰，效果一致。
这种方式虽然不如
except
直观，因为它把“排除”的逻辑融入到了过滤条件里，但它在XPath 1.0时代是标准做法，而且效率通常也不错。理解了
not()
的用法，基本就能解决大部分差集需求了。当然，如果逻辑变得非常复杂，比如要从A中排除B和C，那
not()
的嵌套或者组合可能会变得有点冗长，这时候
except
的简洁性就体现出来了。
except
except
与
union
、
intersect
等集合操作符的区别与联系
当我们谈论
except
的时候，很难不联想到XPath里的其他集合操作符，比如
union
（联合）和
intersect
（交集）。它们都是处理节点集的利器，但各自的侧重点和应用场景大相径庭。
union
，顾名思义，就是把两个节点集的内容合并起来。它的语法是
节点集A | 节点集B
。这个操作符会返回所有在
节点集A
中或者在
节点集B
中的节点，并且会自动去重。比如说，你想选出页面上所有的
h1
和
h2
标题，你就可以写
//h1 | //h2
。它就像是SQL里的
union
或者数学里的并集。
intersect
（交集）则刚好相反，它会找出两个节点集共同拥有的节点。语法是
节点集A intersect 节点集B
。比如，你想找到所有同时具有
class="active"
和
class="selected"
的
div
元素，你可能会先选出所有
class="active"
的
div
，再选出所有
class="selected"
的
div
，然后用
intersect
找出它们的交集。在实际应用中，
intersect
用的频率可能不如
except
和
union
高，但它在需要精确匹配多个条件的场景下非常有用。
而
except
，我们已经详细讨论过了，它求的是差集，即从第一个集合中移除第二个集合共有的部分。
这三个操作符，
union
、
intersect
、
except
，共同构成了XPath 2.0强大的集合运算能力。它们让我们可以像操作数学集合一样来处理XML/HTML文档中的节点，极大地提高了XPath表达式的表达力和灵活性。我个人觉得，理解并熟练运用这些集合操作符，是掌握高级XPath技巧的关键一步。它们让原本需要多步筛选或者复杂逻辑才能实现的需求，变得一行代码就能搞定，效率提升是显而易见的。有时候，我甚至会把它们想象成数据处理管道中的不同阀门，各自完成特定的过滤或合并任务。
except
except
操作符在实际网页抓取中的应用案例
理论知识学得再好，最终还是要落到实际应用上。
except
操作符在网页抓取（Web Scraping）领域简直是神器般的存在，它能帮我们高效地剔除那些不想要的、干扰数据。
一个非常典型的场景是内容清洗。想象一下，你正在抓取一个新闻网站的文章内容。通常，文章主体会被放在一个特定的
div
或者
article
标签里。但在这个主体内容里，可能混杂着各种广告、推荐阅读、版权声明或者社交分享按钮，这些都不是你真正关心的文章文本。
假设文章内容在
里，而其中有一些广告块是
，或者图片说明是
。如果你直接抓取
//div[@id='article-body']//text()，你可能会把广告文案和图片说明也抓进来。这时候，
except就能派上用场了：
//div[@id='article-body']//*[not(self::script or self::style)] except //div[@class='ad-block'] except //figcaption这个表达式的思路是：
先选出
article-body下所有非脚本非样式的元素（
//*[not(self::script or self::style)]，这是为了避免抓取JS代码或CSS样式）。从中剔除所有
ad-block类的
div。再剔除所有
figcaption元素。这样，剩下的就是相对纯净的文章内容了。当然，你可能还需要进一步处理文本，比如去除多余的空格和换行符。
另一个例子是导航菜单的排除。你可能想抓取页面上所有的链接，但是导航菜单里的链接往往是重复的或者功能性的，你只想要正文或者侧边栏里的链接。假设导航菜单在
标签里：
//a except //nav//a这会选中页面上所有
标签，然后排除掉所有在
标签内部的
标签。是不是很简洁？
有时候，网站会有一些通用的模板元素，比如页脚（footer）或者侧边栏（sidebar），它们包含一些你不想重复抓取的信息。如果这些元素有明确的标识（ID或Class），你就可以用
except把它们从你的目标节点集中剔除。例如，抓取所有
div但排除页脚和侧边栏：
//div except //footer//div except //aside//div这些应用场景都体现了
except的强大之处：它提供了一种声明式的方式来定义“不想要什么”，而不是“只想要什么”，这在面对复杂或不规则的HTML结构时，往往能带来意想不到的便利和效率。它让我能更专注于核心数据的提取，而不是纠结于如何绕过那些干扰元素。
以上就是XPath的except运算符如何求差集？的详细内容，更多请关注创想鸟其它相关文章！
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。
如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 chuangxiangniao@163.com 举报，一经查实，本站将立刻删除。
发布者：程序猿，转转请注明出处：https://www.chuangxiangniao.com/p/1430299.html赞 (0)打赏微信扫一扫
支付宝扫一扫
微信扫一扫 
支付宝扫一扫 关于作者
相关推荐
-
XPath的@通配符如何匹配所有属性？
XPath的@通配符用于选取属性节点，结合*可匹配具有任意属性的元素，如//*[@*]选取含至少一个属性的元素，通过编程语言遍历属性名值，使用starts-with、namespace-uri等函数实现条件筛选与命名空间处理。 XPath的 @ 通配符本身并不直接匹配所有属性。它主要用于选取属性节点…
-
XPath的mod运算符怎么计算余数？
xpath的mod运算符结果的符号始终与被除数相同，这与java等语言一致，但不同于python中结果符号与除数一致的取模方式；其计算逻辑为a mod b = a – (floor(a / b) * b)，例如-5 mod 2结果为-1，而5 mod -2结果为1；该特性在节点筛选中极为…
-
XPath的normalize-space()函数有什么用？
normalize-space()函数在XPath中用于清理字符串中的空白字符，它会移除字符串首尾的所有空白，并将内部连续的空白字符替换为单个空格，从而提升文本数据的规范性和可处理性。在网页抓取中，该函数广泛应用于文本精确匹配、数据清洗标准化、处理动态或用户输入内容以及合并多文本节点等场景，能有效解…
-
XPath的local-name()函数有什么用？
local-name()函数用于提取XML节点名称的本地部分，忽略命名空间前缀。1. 使用local-name()=’title’可选择所有本地名为title的节点，如//[local-name()=’title’]能匹配book:title和arti…
-
XPath的attribute轴怎么选择属性节点？
xpath中的attribute轴和@符号是一回事，@是attribute::的简写形式，两者功能完全相同；在实际使用中，通过//元素/@属性名可直接选取属性节点，如//div/@id；当需要根据属性值筛选时，可结合谓语使用，如//div[@id=’header’]；而在处理…
-
XPath的translate()函数怎么替换字符？
translate()函数用于字符替换，如将电话号码中的-和空格替换为点，其语法为translate(string, from, to)，from中多余字符会被删除，且该函数可实现大小写转换但仅限ASCII，需注意from与to长度匹配及解析器差异。 XPath的 translate() 函数就像一…
-
XPath的通配符怎么匹配所有元素？
答案：XPath中通配符可匹配所有元素节点，如//选择文档中全部元素，//div/选择div下所有子元素，结合属性如//[@class=’highlight’]可定位特定属性的任意元素，常用于动态结构或探索性选择，但可能引发性能问题和匹配过宽，需谨慎使用。 在XPath里，要…
-
XPath的|运算符如何合并多个结果集？
xpath中的|运算符是节点集联合操作符，用于将多个xpath表达式匹配的节点集合并为一个无重复的集合，例如//h1 | //h2可同时选取所有h1和h2元素，它操作的是结果集的并集，而不同于and/or这类在谓词中对单个节点进行条件判断的布尔操作符，因此|适用于跨结构收集分散但逻辑相关的数据，在处…
-
如何在Fortran中使用XML库处理科学数据XML？
最直接且目前最可行的Fortran处理XML数据的方法是借助C语言XML解析库并通过Fortran 2003的ISO_C_BINDING模块实现互操作，具体做法是选用成熟的C库如libxml2，编写C语言封装函数作为接口，再在Fortran中声明对应的C绑定接口，实现XML文件的解析与数据提取，同时…
-
XPath的union运算符和|有什么区别？
xpath中的union运算符和|符号功能等价，均用于合并节点集且结果按文档顺序排列、无重复节点，核心区别在于版本支持与语法风格：|是xpath 1.0及以上版本都支持的传统联合操作符，而union是xpath 2.0及以上版本引入的更易读的关键词形式；在实际使用中，若需兼容xpath 1.0环境（…
-
XPath的contains()方法怎么用？有哪些应用场景？
“淘宝第一个程序员”蔡景现（花名多隆）已从阿里巴巴离职，结束25年任职生涯。作为淘宝初创核心工程师，他构建了淘宝交易系统，以技术实力闻名，曾以26亿身家登上胡润富豪榜，其阿里内外状态已显示为“退隐江湖”。 XPath的 contains() 方法，简单来说，就是用来判断一个字符串是否包含另一个特定的…
-
XPath的following-sibling轴如何选择同级？
following-sibling轴用于选择当前节点之后同父级的所有同级节点，其定位精准且仅限于兄弟节点范围内，不会涉及父级、子级或其他无关部分；与following轴不同，following-sibling仅在同级节点中向后查找，而following轴则全局查找文档中所有后续节点，范围更广；通过结…
-
XPath的descendant轴如何选择所有后代？
descendant轴用于选择指定节点的所有后代节点，语法为//node/descendant::*；2. 可通过具体节点名或谓词过滤精确选择；3. 与//区别在于descendant需指定起始节点且不包含自身；4. 使用时应注意性能，建议缩小范围并避免滥用通配符。 XPath的 descendan…
-
XPath的substring-after()函数如何截取？
substring-after()用于截取分隔符后的字符串，如substring-after(“apple-banana-cherry”, “-“)返回”banana-cherry”；与substring-before()区别在…
-
XML的XPath轴(axis)有哪些？如何使用它们导航？
选择合适的xpath轴能显著提升查询性能和准确性，应优先使用child::和attribute::等高效轴，避免滥用//，结合谓语过滤，注意命名空间和上下文节点，防止陷入性能差、匹配不精确等常见陷阱，最终实现高效精准的xml导航。 XPath轴是XML文档中用于从一个“上下文节点”出发，根据其与目标…
-
XPath的child轴和//有什么区别？
child轴（或/）只搜索直接子节点，而//会递归搜索所有后代节点；例如在div下，/p仅选中直接子元素的p，而//p会选中所有层级的p，包括嵌套在span内的p；1. 当结构明确、需精确控制层级或追求性能时，应使用child轴（/）；2. 当结构不确定、需全局搜索或从当前节点深层查找时，//更合适…
-
XPath的轴(axis)是什么？如何选择父节点？
选择父节点使用parent轴或其缩写..，例如当前节点为 时，..或parent::book可选中其父节点；在复杂表达式中可结合属性选取如//book/title/parent::book/@isbn；..更简洁常用；其他常用轴包括child、ancestor、descendant、followin…
-
XPath的node()函数怎么匹配任何节点？
node()函数在xpath中用于匹配任何类型的节点，包括元素、文本、属性、注释、处理指令和根节点，适用于需要获取父节点下所有子节点的场景。当处理混合内容、未知结构或进行文档调试时，node()能完整捕获所有节点类型，而不仅限于元素或文本。与更具体的节点测试如*（仅元素）或text()（仅文本）相比…
-
XPath的position()函数如何获取节点位置？
使用position()函数可通过谓语结合位置条件选取节点，如/book/chapter[position() python的lxml库可直接用xpath()方法执行含position()的表达式，正确理解上下文和充分测试是确保选取准确的关键。 XPath的 position() 函数用于获取当前节…
-
XPath的intersect运算符怎么求交集？
在xpath 1.0中可通过谓词表达式[count(. | $nodeset2) = count($nodeset2)]模拟节点集交集，例如//book[@category=’fiction’][count(. | //book[price > 30]) = count…
