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，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。
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）。
//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。
//p[position() = last()]
会选择最后一个
元素。
id(string)
: 根据ID属性值选择元素。
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。
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。
concat('Hello', ' ', 'World')
结果是 “Hello World”。
contains(string1, string2)
: 检查
string1
是否包含
string2
。
//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。
//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。
substring('HelloWorld', 6, 5)
结果是 “World”。
string-length(string)
: 返回字符串的长度。
//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。
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。
//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”。
following-sibling::*
或
preceding-sibling::*
结合
position()
就非常有用了。
//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。
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。
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。
//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
微信扫一扫
支付宝扫一扫
关于作者
相关推荐
-
composer require-dev和require有什么不同_Composer Require与Require-Dev区别解析
require用于声明项目运行必需的依赖，如框架、数据库组件和第三方SDK，这些包会随项目部署到生产环境；2. require-dev用于声明仅在开发和测试阶段需要的工具，如PHPUnit、PHPStan、Faker等，不会默认部署到生产环境；3. 安装时composer install根据环境决定…
-
修复Django电商项目中AJAX过滤产品列表图片不显示问题
在Django电商项目中，当使用AJAX动态加载过滤后的产品列表时，常遇到图片无法正常显示的问题。这通常是由于前端模板中图片加载方式（如data-setbg属性结合JavaScript库）与AJAX动态内容更新机制不兼容所致。解决方案是直接在AJAX返回的HTML中使用标准的标签来渲染图片，确保浏览…
-
开源免费PHP工具 PHP开发效率提升利器
推荐开源免费PHP开发工具以提升效率：VS Code、Sublime Text轻量高效，PhpStorm专业强大；调试用Xdebug、Kint、Ray；依赖管理选Composer；代码质量工具包括PHPStan、Psalm、PHP_CodeSniffer；数据库管理可用%ignore_a_1%MyA…
-
Matplotlib 地图中多类型图例的创建与优化
本教程旨在解决matplotlib地图可视化中，如何在一个图例中同时展示颜色块（如区域分类）和自定义标记（如特定兴趣点）的问题。文章详细介绍了当传统`patch`对象无法正确显示标记时，如何利用`matplotlib.lines.line2d`创建标记图例句柄，并将其与颜色块图例句柄合并，从而生成一…
-
Golang JSON序列化：控制敏感字段暴露的最佳实践
本教程探讨golang中如何高效控制结构体字段在json序列化时的可见性。当需要将包含敏感信息的结构体数组转换为json响应时，通过利用`encoding/json`包提供的结构体标签，特别是`json:”-“`，可以轻松实现对特定字段的忽略，从而避免敏感数据泄露，确保api…
-
利用海象运算符简化条件赋值：Python教程与最佳实践
本文旨在探讨Python中海象运算符（:=）在条件赋值场景下的应用。通过对比传统if/else语句与海象运算符，以及条件表达式，分析海象运算符在简化代码、提高可读性方面的优势与局限性。并通过具体示例，展示如何在列表推导式等场景下合理使用海象运算符，同时强调其潜在的复杂性及替代方案，帮助开发者更好地掌…
-
Debian syslog性能优化技巧有哪些
提升Debian系统syslog (通常基于rsyslog)性能，关键在于精简配置和高效处理日志。以下策略能有效优化日志管理，提升系统整体性能： 精简配置，高效加载: 在rsyslog配置文件中，仅加载必要的输入、输出和解析模块。 使用全局指令设置日志级别和格式，避免不必要的处理。 自定义模板: 创…
-
怎么在PHP代码中实现图片上传功能_PHP图片上传功能实现与安全处理教程
首先创建含enctype的HTML表单，再用PHP接收文件，检查目录、移动临时文件，验证类型与大小，生成唯一文件名，并调整php.ini限制以确保上传成功。 如果您尝试在PHP项目中添加图片上传功能，但服务器无法正确接收或保存文件，则可能是由于表单配置、文件处理逻辑或安全限制的问题。以下是实现该功能…
-
获取日期中的周数：CodeIgniter 教程
本教程旨在帮助开发者在 CodeIgniter 框架中，从日期字符串中准确提取周数。我们将使用 PHP 内置的 DateTime 类，并提供详细的代码示例和注意事项，确保您能够轻松地在项目中实现此功能。 使用 DateTime 类获取周数 PHP 的 DateTime 类提供了一种便捷的方式来处理日…
-
比特币新手教程 比特币交易平台有哪些
比特币是一种去中心化的数字货币，基于区块链技术实现点对点交易，具有匿名性、有限发行和不可篡改等特点；新手可通过交易所购买，P2P交易获得比特币，常用平台包括Binance、OKX和Huobi；交易流程包括注册账户、实名认证、绑定支付方式、充值法币并下单购买，可选择市价单或限价单；比特币存储方式有交易…
-
c++中的SFINAE技术是什么_c++模板编程中的SFINAE原理与应用
SFINAE 是“替换失败不是错误”的原则，指模板实例化时若参数替换导致错误，只要存在其他合法候选，编译器不报错而是继续重载决议。它用于条件启用模板、类型检测等场景，如通过 decltype 或 enable_if 控制函数重载，实现类型特征判断。尽管 C++20 引入 Concepts 简化了部分…
-
HTML如何隐藏滚动条或去除滚动条
滚动条可以存在也可以不存在，本文主要介绍了html 隐藏滚动条和去除滚动条的方法的相关资料,大家一起来学习一下html隐藏滚动条或去除滚动条的方法吧。 1. html 标签加属性 XML/HTML Code复制内容到剪贴板 2.body中加入以下代码 立即学习“前端免费学习笔记（深入）”； html…
-
Golang gRPC流式请求异常处理
在Golang的gRPC流式通信中，必须通过context.Context处理异常。应监听上下文取消或超时，及时释放资源，设置合理超时，避免连接长时间挂起，并在goroutine中通过context控制生命周期。 在使用 Golang 和 gRPC 实现流式通信时，异常处理是确保服务健壮性的关键部分…
-
Go语言mgo查询构建：深入理解bson.M与日期范围查询的正确实践
本文旨在解决go语言mgo库中构建复杂查询时，特别是涉及嵌套`bson.m`和日期范围筛选的常见错误。我们将深入剖析`bson.m`的类型特性，解释为何直接索引`interface{}`会导致“invalid operation”错误，并提供一种推荐的、结构清晰的代码重构方案，以确保查询条件能够正确…
-
vscode上怎么运行html_vscode上运行html步骤【指南】
首先保存文件为.html格式，再通过浏览器或Live Server插件打开预览；推荐安装Live Server实现本地服务器运行与实时刷新，提升开发体验。 在 VS Code 上运行 HTML 文件并不需要复杂的配置，只需几个简单步骤即可预览页面效果。VS Code 本身是一个代码编辑器，不直接运行…
-
RichHandler与Rich Progress集成：解决显示冲突的教程
在使用rich库的`richhandler`进行日志输出并同时使用`progress`组件时，可能会遇到显示错乱或溢出问题。这通常是由于为`richhandler`和`progress`分别创建了独立的`console`实例导致的。解决方案是确保日志处理器和进度条组件共享同一个`console`实例…
-
修复点击时按钮抖动：CSS垂直对齐实践
本文探讨了在Web开发中，交互式按钮（如播放/暂停按钮）在点击时发生意外垂直位移的问题。通过分析CSS样式变化对元素布局的影响，我们发现这是由于按钮不同状态下的边框样式和内边距改变，以及默认的垂直对齐行为共同作用所致。核心解决方案是利用CSS的vertical-align属性，将其设置为middle…
-
Golang goroutine与channel调试技巧
使用go run -race检测数据竞争，结合runtime.NumGoroutine监控协程数量，通过pprof分析阻塞调用栈，利用select超时避免永久阻塞，有效排查goroutine泄漏、死锁和数据竞争问题。 Go语言的goroutine和channel是并发编程的核心，但它们也带来了调试上…
-
页面中文本域的值怎么设置
标签定义多行的文本输入控件。 文本区中可容纳无限数量的文本，其中的文本的默认字体是等宽字体（通常是 Courier）。 可以通过 cols 和 rows 属性来规定 textarea 的尺寸，不过更好的办法是使用 CSS 的 height 和 width 属性。 注释：在文本输入区内的文本行间，用 …
-
使用 Jupyter Notebook 进行探索性数据分析
Jupyter Notebook通过单元格实现代码与Markdown结合，支持数据导入（pandas）、清洗（fillna）、探索（matplotlib/seaborn可视化）、统计分析（describe/corr）和特征工程，便于记录与分享分析过程。 Jupyter Notebook 是进行探索性…
