在 XPath 中，**`normalize-space(text())` 与 `contains()` 不能直接结合使用**（如 `contains(normalize-space(text()), "手机")`），**这是非法语法且会报错**。原因在于：`contains()` 的第一个参数必须是**字符串（string）**，而 `normalize-space(text())` 在 XPath 1.0 中返回的是一个**字符串值** ✅——看似可行，但**陷阱在于 `text()` 是节点集（node-set），而 `normalize-space()` 只接受单个字符串或自动取节点集的第一个节点**；更关键的是：**`contains()` 不支持对 `text()` 节点集做“逐节点归一化后检查”** —— 它无法向量化处理多个文本子节点。 但你真正想表达的意图通常是： > ✅ “查找某个元素，其**直接子文本内容（经空白归一化后）包含指定关键词**”， > 例如：匹配 `<span>手 &emsp;机：</span>` 中是否含 `"机"` 或 `"手机"`。 下面分 **正确用法、常见错误、替代方案、完整可运行代码** 四部分彻底讲清。 --- ### ✅ 一、正确写法（合法 & 推荐） #### ✔️ 写法 1：`contains(normalize-space(text()), "关键词")` → ✅ 合法且常用（但有前提！） > ⚠️ 前提：该元素**只有一个直接子文本节点**（即无嵌套标签、无注释、无多段文本）。此时 `text()` 被隐式转为第一个（也是唯一）文本节点的字符串，`normalize-space()` 正常工作。 ```python from lxml import etree html = '''<span class="contact-tit">手 &emsp;机：</span>''' root = etree.HTML(html) # ✅ 合法！因为 <span>内只有纯文本（无子标签），text() 唯一 elem = root.xpath(r'''//span[ @class="contact-tit" and contains(normalize-space(text()), "机") ]''') print(len(elem)) # → 1 ``` 🔍 验证 `text()` 内容： ```python span = root.xpath('//span')[0] print(repr(span.text)) # '手 机：' （U+2003） print(repr(span.xpath('string(text())'))) # '手 机：' print(repr(span.xpath('normalize-space(text())'))) # '手 机：'（\u2003 → ' '，再压空格） ``` #### ✔️ 写法 2：`contains(normalize-space(.), "关键词")` → ✅ 更鲁棒（强烈推荐） > ✅ 语义清晰：取整个元素所有后代文本拼接后归一化，再检查子串。 > ✅ 兼容嵌套（`<span>手<b>&emsp;</b>机：</span>`）、多文本节点、换行等一切情况。 ```python elem = root.xpath(r'''//span[ @class="contact-tit" and contains(normalize-space(.), "手机") ]''') # → 匹配成功！因为 normalize-space(.) = "手 机：" → contains("手 机：", "手机") = false ❌ # 但 contains("手 机：", "机") = true ✅ ``` > 💡 注意：`"手机"` 是连续二字，而归一化后是 `"手 机："`（中间有空格），所以 `contains(..., "手机")` 会失败！应改用 `"机"` 或 `"手"` 或 `"机："`。 ✅ 正确示例： ```python # 查找含“机”字（不管前后空格） root.xpath(r'//span[contains(normalize-space(.), "机")]') # 查找含“机：”（冒号紧邻） root.xpath(r'//span[contains(normalize-space(.), "机：")]') ``` --- ### ❌ 二、常见错误写法（全部非法或逻辑错误） | 错误写法 | 问题说明 | |----------|-----------| | `contains(text(), "机")` | ❌ `text()` 是节点集，`contains()` 第一个参数必须是字符串 → **XPath 解析错误**（lxml 报 `XPathEvalError: Invalid expression`） | | `contains(normalize-space(text()[1]), "机")` | ⚠️ 语法合法，但 `text()[1]` 可能为空（如首个子节点是 `<b>` 标签），导致 `normalize-space("") = ""`，`contains("", "机") = false` → **漏匹配** | | `contains(., "机")` | ❌ `.` 是节点，`contains(node, string)` 非法 → **XPath 错误**（需先 `string(.)` 或 `normalize-space(.)`） | | `contains(string(text()), "机")` | ⚠️ 语法合法，但 `string(text())` 仍只取第一个 `text()` 节点，同 `normalize-space(text())` 缺陷 | --- ### ✅ 三、进阶技巧：当需要“模糊匹配关键词 + 忽略所有空白”时 #### ✅ 场景：匹配 `"手 机："`、`"手机："`、`"手　机："`（全角空格）、`"手\n机："` 等任意变体 → **不要依赖 XPath 字符串函数硬刚**，改用 Python 后处理（更可靠）： ```python def xpath_contains_normalized(root, xpath_base, keyword: str, normalize_fn=None): """增强版 contains：对每个匹配元素的文本做自定义归一化后检查""" if normalize_fn is None: import re def normalize_fn(s): return re.sub(r'[\s\u00a0\u2000-\u200f\u202f\u2060\u3000]+', ' ', s).strip() results = [] for elem in root.xpath(xpath_base): text_content = ''.join(elem.itertext()).strip() # 获取所有后代文本 if keyword in normalize_fn(text_content): results.append(elem) return results # 使用 html = '''<span class="contact-tit">手 &emsp;机：</span><span>手&nbsp;&nbsp;机：</span>''' root = etree.HTML(html) matches = xpath_contains_normalized( root, '//span[@class="contact-tit"]', "手机" # 注意：这里 "手机" 是连续的，但归一化后是 "手 机：" → 不匹配！ ) # 所以应查 "机" 或用正则：r"手.*?机" ``` ✅ 更强需求（如支持正则）： ```python import re pattern = re.compile(r"手\s*机[:：]") matches = [e for e in root.xpath('//span') if pattern.search(''.join(e.itertext()))] ``` --- ### ✅ 四、完整可运行示例（验证所有情况） ```python from lxml import etree html = ''' <div> <span class="contact-tit">手 &emsp;机：</span> <span class="contact-tit">电&nbsp;&nbsp;话：<b>123</b></span> <span class="contact-tit">邮<span>箱</span>：</span> </div> ''' root = etree.HTML(html) print("=== 测试1：contains(normalize-space(text()), '机') ===") elems = root.xpath(r'''//span[ @class="contact-tit" and contains(normalize-space(text()), "机") ]''') print(f"找到 {len(elems)} 个（仅靠 text()）") # → 1（第一个 span） print("=== 测试2：contains(normalize-space(.), '机') ===") elems = root.xpath(r'''//span[ @class="contact-tit" and contains(normalize-space(.), "机") ]''') print(f"找到 {len(elems)} 个（推荐！）") # → 2（第一个 + 第三个，因 '邮箱' 含 '机'） print("=== 测试3：Python 后处理（精准匹配 '手.*?机'）===") import re pattern = re.compile(r"手\s*机[:：]") matches = [ e for e in root.xpath('//span[@class="contact-tit"]') if pattern.search(''.join(e.itertext())) ] print(f"正则匹配到 {len(matches)} 个") # → 1 ``` --- ### ✅ 总结一句话答案： > **`contains(normalize-space(text()), "X")` 语法合法但脆弱（仅适用无嵌套的纯文本节点）；而 `contains(normalize-space(.), "X")` 语法合法、语义清晰、兼容所有 HTML 结构，是绝对首选；若需复杂模式（如跳过空格匹配“手机”），应放弃 XPath 字符串函数，改用 Python 的 `re` 或 `str` 处理 `elem.itertext()` 结果。** ---