原创投稿
  1. 创想鸟首页
  2. 用户投稿

XPath函数如何使用？

程序猿 • • 用户投稿

XPath函数通过字符串处理、节点筛选和逻辑判断等功能，显著提升路径表达式的灵活性与精准度。典型函数如contains()和starts-with()用于模糊匹配属性值，应对动态class或href；normalize-space()清理文本中的冗余空白，提升数据质量；count()和position()支持列表项的定量分析与索引定位；结合text()、substring-before()、translate()等可精准提取复杂文本中的目标信息，如价格、库存数字；在多语言场景中，通过关键词判断语言类型；面对不规则结构时，利用following-sibling、name()、local-name()实现相对定位与泛化选择，增强选择器的鲁棒性。

xpath函数如何使用？

XPath函数，说白了，就是你在构建路径表达式时，用来给筛选节点、处理数据加点“魔法”的工具。它能让你在原本只能按层级、按属性找节点的基础上，进行字符串操作、数值计算、布尔逻辑判断，甚至对节点集进行更复杂的处理。在我看来，掌握这些函数，是把XPath从“能用”提升到“好用”的关键一步，尤其是在面对那些结构不那么规整，或者你需要从文本里抠出特定信息的时候。

解决方案

使用XPath函数，你通常会把它们嵌入到你的路径表达式中，无论是作为谓词（

[]

里的条件），还是作为最终选择器的一部分。基本语法是 

函数名(参数)

。参数可以是节点集、字符串、数字或布尔值，具体取决于函数的需求。

我们可以大致把XPath函数分为几类，每类都有其独特的应用场景：

  • 节点集函数 (Node Set Functions): 这类函数主要用于处理或获取节点集的信息。

  • count(node-set)

    : 返回节点集中的节点数量。

  • 例如： 
    count(//li)

    会统计页面上所有

  • 元素的数量。

  • position()

    : 返回当前节点在节点集中的位置（从1开始）。

  • 例如： 
    //div[position() = 2]

    会选择第二个

    元素。

  • last()

    : 返回节点集中的最后一个节点的位置。

  • 例如： 
    //p[position() = last()]

    会选择最后一个

    元素。

  • id(string)

    : 根据ID属性值选择元素。

  • 例如： 
    id('main-content')

    会选择ID为 

    main-content

    的元素。

  • 字符串函数 (String Functions): 用于处理节点或属性的文本内容。

  • string(object)

    : 将任何类型的数据转换为字符串。

  • 例如： 
    string(//h1)

    会获取第一个

    元素的文本内容。

  • concat(string1, string2, ...)

    : 连接多个字符串。

  • 例如： 
    concat('Hello', ' ', 'World')

    结果是 “Hello World”。

  • contains(string1, string2)

    : 检查 

    string1

    是否包含 

    string2

    。

  • 例如： 
    //a[contains(@href, 'product')]

    选择所有 

    href

    属性包含 “product” 的链接。

  • starts-with(string1, string2)

    : 检查 

    string1

    是否以 

    string2

    开头。

  • 例如： 
    //div[starts-with(@class, 'item-')]

    选择所有 

    class

    属性以 “item-” 开头的

    。

  • substring(string, start, length)

    : 提取字符串的子串。

  • 例如： 
    substring('HelloWorld', 6, 5)

    结果是 “World”。

  • string-length(string)

    : 返回字符串的长度。

  • 例如： 
    //p[string-length(text()) > 50]

    选择文本内容长度超过50的

    。

  • normalize-space(string)

    : 移除字符串开头和结尾的空格，并将内部连续的空格替换为单个空格。

  • 这在处理网页上那些格式不统一的文本时简直是神器，比如 
    normalize-space(//div[@class='description']/text())

    。

  • 布尔函数 (Boolean Functions): 返回 

    true

    或 

    false

    ，常用于谓词中。

  • not(boolean)

    : 对布尔值取反。

  • 例如： 
    //a[not(@target='_blank')]

    选择所有 

    target

    属性不为 “_blank” 的链接。

  • true()

    / 

    false()

    : 返回字面布尔值。

  • 数值函数 (Number Functions): 用于执行数学计算。

  • number(object)

    : 将对象转换为数字。

  • sum(node-set)

    : 计算节点集中所有节点的数值之和。

  • floor(number)

    : 向下取整。

  • ceiling(number)

    : 向上取整。

  • round(number)

    : 四舍五入。

    这些函数可以单独使用，也可以嵌套使用，形成非常强大的表达式。比如，你想找一个 

    class

    包含 “card” 并且文本内容里有 “优惠” 字样的 

    div

    ，你可以这样写：

    //div[contains(@class, 'card') and contains(text(), '优惠')]

    。这里的 

    and

    也是一个逻辑运算符，它允许你组合多个条件。

    常用XPath函数有哪些，它们各自的典型应用场景是什么？

    在我日常的网页抓取和XML处理工作中，有那么几个XPath函数是我的“常客”，用得频率非常高，它们各自解决的问题也挺典型的。

    首先是 

    contains()

    和 

    starts-with()

    ，这两个简直是处理动态或模糊属性值的利器。很多网站的 

    class

    或 

    id

    属性会带有一些随机字符串，比如 

    item-12345

    或 

    product-card-abc

    。如果你只知道 

    item-

    或 

    product-card-

    这部分固定前缀，

    starts-with(@class, 'item-')

    就能帮你精准定位。而如果关键词可能出现在属性值的任何位置，比如 

    href

    属性里包含 

    category=electronics

    ，那 

    contains(@href, 'category=electronics')

    就派上用场了。我个人觉得，这两个函数极大地增强了XPath的鲁棒性，让它在面对前端框架生成的复杂HTML时也能游刃有余。

    接着是 

    normalize-space()

    。哦，这个函数，简直是文本清洗的救星！网页上的文本内容，特别是那些从数据库里拉出来或者用户输入的内容，经常会带着多余的空格、换行符、制表符。直接获取会很脏，影响后续的数据处理。

    normalize-space(text())

    可以把这些乱七八糟的空白字符清理得干干净净，只保留一个有意义的、规范化的字符串。我很多时候会直接在提取文本时就加上它，省去了后面用Python或JavaScript再做一次清洗的麻烦。

    count()

    和 

    position()

    也很常用，尤其是在你需要处理列表或者重复结构时。比如，你可能想确认某个列表有多少项，或者只想选择列表中的前几项、中间某一项。

    count(//ul/li)

    告诉我列表项的总数，而 

    //ul/li[position() < 3]

    就能选出前两项。有时候，网站的结构并不提供直接的索引，但你可以通过 

    position()

    来模拟，比如找到某个特定元素后的第三个兄弟节点。

    最后，不得不提 

    text()

    。虽然它不是一个函数，但经常和函数一起使用。

    //div[@class='price']/text()

    就能直接抓取到价格文本。但如果文本分散在多个子节点中，或者夹杂着其他标签，你可能需要 

    string(.)

    或者 

    normalize-space(.)

    来获取所有子孙文本的拼接结果，这在提取段落内容时特别有效。

    在实际抓取数据时，如何利用XPath函数处理复杂的文本和属性值？

    在实际的数据抓取中，复杂的文本和属性值是常态，而不是例外。XPath函数在这里能发挥出巨大的作用，让你的选择器变得更加智能和灵活。

    举个例子，假设你要从一个商品详情页抓取价格。价格信息可能不是一个简单的数字，它可能是“¥ 129.99起”或者“原价: 200.00，现价: 150.00”。如果你的目标是提取“129.99”，你可以先用 

    normalize-space()

    清理文本，然后结合 

    substring-before()

    或 

    substring-after()

    甚至 

    translate()

    来“切割”字符串。比如，

    substring-before(normalize-space(//div[@class='price']/text()), '起')

    就能帮你拿到“¥ 129.99”。如果连货币符号也想去掉，你可能需要更进一步，比如 

    translate(substring-before(normalize-space(//div[@class='price']/text()), '起'), '¥', '')

    。

    再比如，处理属性值。很多网站的图片URL可能藏在 

    data-src

    属性里，或者一个元素的 

    class

    属性包含多个值，如 

    class="product-item large active"

    。如果你只想选择 

    active

    的商品项，你可以用 

    //div[contains(@class, 'active')]

    。但如果 

    active

    只是其中一个状态，你可能还需要结合其他条件，比如 

    //div[contains(@class, 'product-item') and contains(@class, 'active')]

    。

    有时候，链接的 

    href

    属性可能是一个相对路径，或者包含一些你不需要的查询参数。虽然XPath函数不能直接修改URL，但你可以用 

    starts-with()

    筛选出你感兴趣的特定路径，或者用 

    substring-before()

    截取URL的固定部分，比如 

    substring-before(@href, '?')

    来去除问号后的所有参数，当然这只是一个初步的筛选，更精细的URL处理通常在抓取后进行。

    我还遇到过一种情况，需要从一个混杂了文字和数字的字符串中提取纯数字。比如“库存：123件”。这时候，

    translate()

    函数就显得特别强大。你可以通过 

    translate(., '库存：件', '')

    将这些非数字字符替换为空，从而只留下数字部分。然后，如果你想把它当作数字来计算，可以用 

    number(translate(., '库存：件', ''))

    。这种组合使用，确实能解决不少让人头疼的提取问题。

    XPath函数在处理多语言内容或不规则HTML结构时有哪些高级用法？

    处理多语言内容和不规则HTML结构，是XPath函数真正展现其“高级”之处的场景。这不仅仅是找到元素，更是要以一种灵活且健壮的方式去适应变化。

    对于多语言内容，虽然XPath 1.0中没有直接的语言检测函数（XPath 2.0+有 

    lang()

    ），但我们依然可以通过结合文本内容判断来间接处理。比如，如果你要抓取一个新闻网站的标题，而这个网站有中文和英文版，但HTML结构可能只有微小差异，甚至完全一样，只是内容不同。你可以通过检查标题文本中是否包含特定语言的关键词来筛选：

    //h2[contains(text(), '新闻') or contains(text(), '最新')]

    针对中文，

    //h2[contains(text(), 'News') or contains(text(), 'Latest')]

    针对英文。这虽然有点笨拙，但在没有 

    lang

    属性或者其他明确语言标识时，是一个实用的方法。更进一步，如果你知道不同语言的特定日期格式或数字格式，也可以利用 

    matches()

    (XPath 2.0+) 或 

    translate()

    结合 

    string-length()

    来进行模式匹配和筛选。比如，检查文本是否符合某种日期格式的正则表达式。

    至于不规则HTML结构，这才是XPath函数大显身手的地方。网页开发者并不总是按照W3C标准来写HTML，或者为了快速迭代，结构会变得非常“自由”。

  • 相对定位与索引的结合： 当一个元素没有明确的ID或class，但它总是出现在某个已知元素之后（或之前）的某个位置时， 
    following-sibling::*

    或 

    preceding-sibling::*

    结合 

    position()

    就非常有用了。

  • 比如， 
    //h2[text()='产品详情']/following-sibling::p[position()=1]

    就能找到标题“产品详情”后的第一个段落。这比硬编码一个绝对路径要灵活得多。

  • *泛化选择器 ` 
    结合

    name()

    或

    local-name()

    ：** 有时候，你不知道具体的标签名是什么，或者标签名可能会变（比如从

    div

    变成

    section`），但你知道它一定是某个标题标签（h1-h6）或某个列表项。

  • //*[starts-with(name(), 'h')]

    可以选择所有 

    h1

    到 

    h6

    的标题。这在处理语义化不那么严格的页面时，能帮你抓取所有层级的标题。

  • 如果页面使用了XML命名空间， 
    local-name()

    函数就显得尤为重要，它会忽略命名空间前缀，只关注标签的本地名称。

  • 根据文本内容长度筛选： 遇到很多空标签或者占位符标签时，你可能只想要那些有实际内容的元素。 
  • //p[string-length(normalize-space(text())) > 0]

    可以筛选出所有非空的

    标签。这在过滤掉那些视觉上不可见但HTML里存在的空标签时非常有效。

  • id()

    函数的妙用： 即使 

    id

    属性不在你当前路径的直接父级，你也可以通过 

    id('some-id')

    直接跳到那个元素，然后从那里开始你的相对路径。这在处理大型、复杂且有明确ID标识的页面时，能提供一个快速的“锚点”。

    总而言之，面对复杂和不规则的结构，XPath函数提供了一种“以不变应万变”的策略。它们允许你根据元素的行为、内容或相对位置来定位，而不是仅仅依赖于其静态的层级和标签名。这需要一些经验和对HTML结构的洞察，但一旦掌握，你的XPath技能会提升一个档次。

    以上就是XPath函数如何使用？的详细内容，更多请关注php中文网其它相关文章！

    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/1430856.html

    • 赞 (0)
    打赏 微信扫一扫 微信扫一扫 支付宝扫一扫 支付宝扫一扫
    0 0

    关于作者

    程序猿的头像

    程序猿签约作者

    413.8K 文章
    0 评论
    2 粉丝
    这个人很懒，什么都没有留下～
    XQuery如何更新XML？
    上一篇 2025年12月17日 04:02:10
    XML处理如何负载均衡？
    下一篇 2025年12月17日 04:02:21

    相关推荐

    发表回复

    登录后才能评论
    关注微信