如何编写lxml XPath表达式匹配含嵌套子元素节点的文本内容

你原来的写法失效的核心原因是text()仅会取当前节点的直接子文本节点，不会自动拼接后代节点的所有文本内容，当目标文本被拆分到多个嵌套子标签中时，单个text()节点自然无法命中完整的匹配字符串。

通用适配写法（兼容XPath 1.0，适配lxml等常用解析库） #

使用string(.)拼接当前节点所有后代的文本内容，搭配normalize-space()处理标签间的多余空白、换行、制表符，即可无视嵌套结构匹配文本：

1. 包含匹配（只要节点完整文本中包含目标字符串即可命中） #

.//*[contains(normalize-space(string(.)), "Banana Bread")]

2. 开头匹配（对应你原来的starts-with需求） #

.//*[starts-with(normalize-space(string(.)), "Banana Bread")]

3. 完全匹配（节点完整文本和目标字符串完全一致时命中） #

.//*[normalize-space(string(.)) = "Banana Bread"]

常用场景优化 #

如果只需要匹配包裹目标文本的顶层p节点，避免返回内部嵌套的font、a等子节点，可以直接指定节点类型过滤：

# lxml示例写法，仅匹配包含Banana Bread的p节点
p_nodes = b_tree.xpath('.//p[contains(normalize-space(string(.)), "Banana Bread")]')

如果需要完全排除子节点的命中，只返回包含目标文本的最小父节点，可以额外加条件：

.//*[contains(normalize-space(string(.)), "Banana Bread") and not(./*[contains(normalize-space(string(.)), "Banana Bread")])]

函数说明 #

• string(.)：将当前节点所有层级的后代文本按顺序拼接为完整字符串，完全无视中间嵌套的任意标签
• normalize-space()：自动去除字符串首尾空白，将中间连续的空格、换行、制表符统一替换为单个空格，解决标签之间的空白干扰问题
• 如需忽略大小写匹配，可以搭配XPath 1.0的translate()函数实现大小写转换后再匹配

内容的提问来源于stack exchange，提问作者PyNEwbie