如何在lxml xpath中使用正则表达式？

Question

我正在使用这样的构造：

doc = parse(url).getroot()
links = doc.xpath("//a[text()='some text']")

但我需要选择所有文本以“某些文本”开头的链接，所以我在想这里有没有办法使用正则表达式？在lxml的文档中没有找到相关内容。

Answer 1

因为我对lxml处理命名空间的方式实在受不了，所以我写了一个小方法，可以绑定到HtmlElement类上。

首先，导入HtmlElement：

from lxml.etree import HtmlElement

然后把这个放到你的文件里：

# Patch the HtmlElement class to add a function that can handle regular
# expressions within XPath queries.
def re_xpath(self, path):
    return self.xpath(path, namespaces={
        're': 'http://exslt.org/regular-expressions'})
HtmlElement.re_xpath = re_xpath

接着，当你想要进行正则表达式查询时，只需这样做：

my_node.re_xpath("//a[re:match(text(), 'some text')]")

就可以开始了。如果再多花点功夫，你可能可以修改这个方法，直接替代xpath方法，但我没去做，因为现在这个方法已经足够好用了。

Answer 2

你可以使用 starts-with() 这个函数：

doc.xpath("//a[starts-with(text(),'some text')]")

Answer 3

你可以这样做（虽然这个例子其实不需要用到正则表达式）。Lxml支持来自EXSLT扩展函数的正则表达式。（具体可以查看lxml文档中的XPath类，不过它也适用于xpath()方法）

doc.xpath("//a[re:match(text(), 'some text')]", 
        namespaces={"re": "http://exslt.org/regular-expressions"})

注意，你需要提供命名空间映射，这样它才能知道xpath表达式中的“re”前缀代表什么。