一日一技：XPath 匹配如何忽略大小写？

GNE[1]在对新闻进行预处理的时候，会提前移除一些显然不可能包含正文的 Dom 节点，从而增加提取的准确性。

一般来说，网页的版权信息，页尾信息，会放在一个叫做<div class="footer"></div>的标签里面。所以，要用 XPath 找到这种版权信息，本来应该非常简单：//div[@class="footer"]。但实际场景中，可能有两种情况：<div class="xxxfooteryyy"></div>和<div class="Footer">。

footer前后都有字符的时候，我们可以使用 XPath 的关键词contains：//div[contains(@class, "footer")]，运行效果如下图所示：

但如果我们想忽略大小写的时候怎么办呢？实际上，在 XPath 2.0的标准里面，有一个关键字叫做lower-case就可以实现这个需求，XPath 写为： //div[lower-case(@class)="footer"]/text()。我们可以在一些在线 XPath 检查的工具里面看到提取效果，如下图所示：

但坏就坏在，Python 的第三方库lxml使用的是 XPath 1.0标准，因此没有lower-case这个关键字。所以要实现这个需求，我们需要使用另一个关键字translate：//div[translate(@class, "ABCDEFGHIJKLMNOPQRSTUVWXYZ", "abcdefghijklmnopqrstuvwxyz")="footer"]/text()。

运行效果如下图所示：

这里的translate效果就跟 Python 字符串的translate差不多。我以前写过一篇文章：一日一技：在字符串中批量替换单个字符介绍在 Python 里面怎么使用translate方法。

XPath 的translate的语法为：translate(目标属性, 需要替换的字符, 替换成字符)。这样就可以把节点的目标属性值转成小写再来对比。

那么，如果HTML 标签的属性值是xxxFooteryyy怎么办呢？其实我们也可以像函数嵌套一样再套一层contains：//div[contains(translate(@class, "ABCDEFGHIJKLMNOPQRSTUVWXYZ", "abcdefghijklmnopqrstuvwxyz"), "footer")]

运行效果如下图所示：

参考文献

[1]GNE: https://github.com/GeneralNewsExtractor/GeneralNewsExtractor