为什么 XPath contains() select 一个意外的节点？

Why does XPath contains() select an unexpected node?

我正在尝试找到正确的 XPath 表达式以仅从我的所有文档中获取 URL，无论标签是什么。我正在尝试这个：

<urlset xmlns="https://www.sitemaps.org/schemas/sitemap/0.9">
  <url>
    <loc>https://url
    </loc>
    <lastmod>2019-08-07T15:01:51+00:00
    </lastmod>
  </url>
</urlset>

下面的表达式给出了这些结果：

//*[contains(.,'http')]//text()
  1. https://url
  2. 2019-08-07T15:01:51+00:00

我正在寻找的是去掉第二行。我需要能够从任何 XML 文件中获取 仅 URL。

好吧，让我们忽略这样一个事实，即并非所有 URL 都包含“http”，而且并非所有包含“http”的东西都是 URL...

要查找所有包含“http”的文本节点，只需使用 //text()[contains(., 'http')]。

你的 XPath 的原因，

//*[contains(.,'http')]//text()

selects 令人惊讶的第二个结果是，此 XPath 表示 select 所有 string-value 包含 "http" 子字符串的元素，以及 return 所有后代文本节点。这些元素不仅包括目标文本节点的直接父元素，还包括它的祖先元素：

  1. loc 元素，如您所料。
  2. urlset和url也一样，出乎你的意料。 （urlset 和 url 元素也有一个 2019-08-07T15:01:51+00:00 后代文本节点，因此作为它们的 字符串值 的一部分。）

实现预期结果的备选方案

  • 将 * 全元素通配符缩小为单个命名元素：

    //loc[contains(.,'http')]/text()

  • 将 * 全元素通配符缩小到多个命名元素：

    //*[(self::loc or self::e2) and contains(.,'http')]/text()

  • Select 所有包含子字符串的文本节点，"http" :

    //text()[contains(., 'http')]

另见