XPath string()函数详解：与text()区别及批量提取文本避

脚本专家

在 Python + lxml 的网页解析场景中，XPath 的 string() 函数使用频率很高，但也是踩坑重灾区。不少开发者对它的认知停留在“能拿到标签内部所有文本”，却说不清它和 text() 的本质差异，更不知道它根本无法直接作用于节点集合。本文从一个真实表格抽取场景出发，重新梳理 string() 的语法、边界行为、常见错误和可直接落地的爬虫代码。

一、string() 基础定义

string(node) 接收一个节点作为参数，递归提取该节点下所有层级的文本内容，并将它们合并成一个连续的字符串。换句话说，当前节点的直接文本、子节点（如 <strong>、<span>、<br> 等）内部的文本，都会被拼接进最终结果。

基础语法形式：

string(节点路径)

如果在当前上下文节点内简写，则使用：

string(.)

string(.) 等价于 string(self)，表示取当前节点自身的全部文本。

二、string() 与 text() 的核心区别

先看一段测试 HTML：

2. <td>
3.   <p><strong>Capital Market Day 2015</strong><br>测试文本</p>
4. </td>

复制代码

1. 使用 ./p/text()

2. res = td.xpath('./p/text()')
3. # 结果：['测试文本']
4. # <strong> 内部文字丢失

复制代码

text() 只获取当前节点的直接文本子节点，不会深入子标签；如果存在多个文本片段，会返回字符串列表。以上例来说，<p> 下有两个文本节点：<strong> 内部文本属于 <strong> 节点，text() 无法跨层读取，所以只能拿到 <br> 之后的“测试文本”。

2. 使用 string(./p)

2. res = td.xpath('string(./p)')
3. # 结果：'Capital Market Day 2015测试文本'

复制代码

string() 会递归遍历节点下所有层级，把 <strong> 内文字、<br> 后文字全部合并成一个字符串。无论多少处文本，最终都只有一个字符串。

直观对比如下：

./p/text()：返回类型为 list[str]，不能获取嵌套标签文字
string(./p)：返回类型为 str，可以获取嵌套标签文字

三、实战分层案例

沿用实际业务中的表格结构：

2. <td>
3.   <p>Capital Market Day 2015:</p>
4.   <p>ANDRITZ GROUP, Wolfgang Leitner</p>
5.   <p>Schuler Group, Stefan Klebert</p>
6. </td>

复制代码

上下文节点是 td_node。

案例1：获取第一个 p 标签完整文本

2. # XPath下标从1开始
3. top_title = td_node.xpath('string(./p[1])').strip()

复制代码

这种写法可以拿到第一个 p 内包括 <br> 在内的所有文本。注意，XPath 中不存在 0 号索引，如果写成 ./p[0] 会匹配不到节点，string() 返回空字符串。

案例2：string() 不能批量处理一组节点

很多新手会尝试这样写：

2. # ❌ 错误写法
3. text_list = td_node.xpath('string(./p)')
4. print(text_list)

复制代码

这样只会返回第一个 p 的文本，而不是列表。原因在于 string() 只接受单个节点，当 XPath 路径匹配到多个节点时，它只作用于集合中的第一个节点，返回值是单个字符串。

正确做法是：先选出节点列表，再循环调用 string()：

2. p_nodes = td_node.xpath('./p')
3. text_list = [p.xpath('string()').strip() for p in p_nodes]

复制代码

这里的 p.xpath('string()') 等价于 p.xpath('string(.)')，表示读取当前 p 节点的全部文本。

案例3：提取第2个及以后所有 p 标签文本

这种场景常见于“标题 + 内容列表”的表格结构。使用 position() 过滤掉第一个 p：

2. p_nodes = td_node.xpath('./p[position() > 1]')
3. content_list = [p.xpath('string()').strip() for p in p_nodes]

复制代码

这样 content_list 就是第二个及之后所有 p 的完整文本列表。

案例4：string(.) 在循环节点中的使用

当遍历 tr 节点时，常常需要提取每个 tr 下第一个 td 的完整文本：

2. tr_nodes = tree.xpath('//table/tr')
3. for tr in tr_nodes:
4.     title = tr.xpath('string(./td[1])').strip()
5.     # 处理 title

复制代码

string(.) 配合相对路径，在循环中能够准确拿到当前节点范围内的内容。

四、string() 边界特性

1. 路径匹配不到节点时

如果传入的路径匹配不到任何节点，string() 不会抛异常，而是返回空字符串：

2. res = td_node.xpath('string(./p[99])')
3. print(res == "")  # True

复制代码

2. 不间断空格的处理

页面中常见的  会被 string() 原样读入。为了后续清洗，建议统一替换：

2. import re
4. def clean_text(raw):
5.     if not raw:
6.         return ""
7.     # 将所有空白（换行、多个空格、不间断空格）统一替换为单个空格
8.     return re.sub(r"\s+", " ", raw).strip()

复制代码

3. 节点内部无文字时

如果节点内部只有标签、没有文字，string() 返回空字符串。

五、高频错误汇总

错误1：企图用 string() 批量获取多个节点文本

2. # ❌ 错误
3. list_data = td.xpath('string(./p[position()>1])')
5. # ✅ 正确
6. p_list = td.xpath('./p[position()>1]')
7. list_data = [clean_text(p.xpath('string()')) for p in p_list]

复制代码

错误2：混淆 text() 与 string()，丢失嵌套文字

当页面中存在 <b>、<strong>、<a> 等嵌套标签时，只用 text() 会丢失内容，应优先使用 string()。

错误3：括号位置产生混淆

2. # ✅ 取全局第二个 div 的内部文本
3. string((//div[@class="box"])[2])
5. # ❌ 语义错误，含义完全不同
6. string(//div[@class="box"][2])

复制代码

错误4：Python 列表下标与 XPath 下标混用

2. # XPath 内部下标从 1 开始
3. td.xpath('string(./p[1])')
5. # Python 列表取值从 0 开始
6. p_nodes = td.xpath('./p')
7. text = p_nodes[0].xpath('string()')

复制代码

不要把 Python 的 [0] 习惯直接写进 XPath 字符串。

六、常用表达式速查表

string(.)：获取当前节点所有文本

string(./p[1])：当前节点下第一个 p 的全部文本

string(./p[1]/strong)：当前 p 内部 strong 标签的文本

(//div[@class="demo"])[1]/string(.)：全局第一个匹配 div 的全部文本

七、可直接复制的完整爬虫模板

下面这个模板适用于抓取表格 <td> 内多段 <p> 文本的场景：

2. import re
3. from lxml import etree
5. def clean_text(raw_text):
6.     if not raw_text:
7.         return ""
8.     return re.sub(r"\s+", " ", raw_text).strip()
10. html = """
11. <td>
12.   <p>Capital Market Day 2015:</p>
13.   <p>ANDRITZ GROUP, Wolfgang Leitner</p>
14.   <p>Schuler Group, Stefan Klebert</p>
15. </td>
16. """
18. tree = etree.HTML(html)
19. td_list = tree.xpath("//td")
21. for td in td_list:
22.     # 标题：第一个p文本
23.     title = clean_text(td.xpath('string(./p[1])'))
24.     # 内容列表：第2个及之后所有p
25.     p_nodes = td.xpath('./p[position() > 1]')
26.     content_list = [clean_text(p.xpath('string()')) for p in p_nodes]
27.     print("标题：", title)
28.     print("名单：", content_list)

复制代码

八、总结

string(node) 接收单个节点，递归提取所有层级文本并合并为一段字符串；它无法直接批量作用于节点集合，想要列表必须先选出节点，再循环执行 string()；与 text() 的最大区别在于 text() 只取直接文本节点，无法获取嵌套标签内容；XPath 索引从 1 开始，找不到节点时 string() 返回空字符串，不会报错；当页面存在 <strong>、<a>、<br> 等嵌套时，优先选择 string() 而非 text()。

热心网友1

楼主的总结非常到位，尤其是“string() 只作用于节点集合中第一个节点”这个坑，我当初也踩过，还以为是 lxml 的 bug。后来用 ` 加 `''.join()` 才彻底绕开。不过楼主的循环写法更直观，而且配合 `position()` 过滤首标题的逻辑也很实用。另外那个 `string(./p[99])` 返回空字符串的边界测试值得记一下，以后写代码能少不少判空。感谢分享！

热心网友1

楼主的总结很到位，尤其是“string() 只作用于节点集合中的第一个节点”这个坑，新手几乎必踩。之前我也习惯用 `td.xpath('string()')` 来取当前节点文本，后来发现复杂嵌套时用 ` 配合 `''.join()` 更灵活，但确实不如 `string()` 直接。那楼主处理 `&lt;br&gt;` 时拼接出来的文本有没有额外加分隔符？有时候多个子标签间没空格，清洗起来还挺麻烦。

热心网友1

写得很清楚，尤其是 string() 只取第一个节点的坑，新手确实容易踩。我之前愣是用 string(./p) 以为能返回列表，结果调试半天才发现是字符串。后来统一用你这种先取节点列表再循环调 string() 的方式，稳多了。 补充一个小点：如果节点里有 ，string() 拼接出来的文本会连在一起，没有空格。我一般会先替换 为空格再提取，或者清洗时用正则把边界处理一下，不然像“测试文本”和下一句容易黏成一句。