xpath 两个文本方法string()和normalize-space的区别

先来看一段html内容

<div>
    <ul class="show">
        <li>275万购昌平邻铁三居 总价20万买一居</li>
        <li>00万内购五环三居 140万安家东三环</li>
        <li>北京首现零首付楼盘 53万购东5环50平</li>
        <li>京楼盘直降5000 中信府 公园楼王现房</li>
    </ul>
</div>

我们去尝试获取这个HTML文本的内容，分别用string方法和normalize-space尝试，并且打印这两种方法的输出（输出会保留原格式），以对比两者的区别。

代码头部

import requests
from lxml import etree
import sys
html_text = """
<div>
    <ul class="show">
        <li>275万购昌平邻铁三居 总价20万买一居</li>
        <li>00万内购五环三居 140万安家东三环</li>
        <li>北京首现零首付楼盘 53万购东5环50平</li>
        <li>京楼盘直降5000 中信府 公园楼王现房</li>
    </ul>
</div>
"""
html = etree.HTML(html_text)

string方法

result = html.xpath("//div/ul[@class='show']")[0]
content = result.xpath('string(.)')
print(content)

输出

        275万购昌平邻铁三居 总价20万买一居
        00万内购五环三居 140万安家东三环
        北京首现零首付楼盘 53万购东5环50平
        京楼盘直降5000 中信府 公园楼王现房

看了文档，发现好像上面的方法使用比较多，其实还有一种简单的写法，也是笔者推荐的 

content = html.xpath("string(//div/ul[@class='show'])")
print(content)

normalize-space方法

print("method: normalize-space")
content = html.xpath("normalize-space(//div/ul[@class='show'])")
print(content)

输出

275万购昌平邻铁三居 总价20万买一居 00万内购五环三居 140万安家东三环 北京首现零首付楼盘 53万购东5环50平 京楼盘直降5000 中信府 公园楼王现房

两者的区别显而易见，string()方法会保留html的分段格式，而 normalize-space 则去掉了文本的段落标记，几段内容结合为了一个段落。

上面直接的print可能会让人产生一个误会，以为这两个方法直接返回string object。相同的点是，这两个方法返回的均是一个lxml.etree._ElementUnicodeResult 类型，并非string类型，如果想再转回string类型，可以加str()方法或者decode()。

print(str(content))

print(content.decode("utf8"))