XPath函数如何使用？

煙雲

发布时间：2025-09-05 09:30:03

244人浏览过

来源于php中文网

原创

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。

PPT.CN,PPTCN,PPT.CN是什么,PPT.CN官网,PPT.CN如何使用

一键操作，智能生成专业级PPT

下载

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”。