substring-before()用于提取分隔符前的字符串，适用于从XML/HTML中提取前缀信息，如路径、ID等；若分隔符不存在则返回空，且仅匹配首个分隔符，需结合substring-after()处理复杂结构，常用于网页数据清洗。
XPath的
substring-before()函数，顾名思义，就是用来从一个字符串中提取出特定分隔符“之前”的那一部分内容。它就像一把精准的剪刀，遇到你指定的标记，就咔嚓一下，把标记前面的部分剪下来给你。
解决方案
substring-before()函数的语法很简单：
substring-before(string, substring)。第一个参数是你想要处理的原始字符串，第二个参数是作为分隔符的子字符串。当你在处理XML或HTML文档时，这个函数特别有用，尤其是在你需要从某个文本节点或属性值中抽取出特定信息时。
举个例子，如果你有一个字符串是
"user-ID-12345"，而你只想要前面的
"user"部分，那么你可以这样用：
substring-before("user-ID-12345", "-ID")，结果就是 "user"。又或者，你可能有一个文件路径
"C:/Users/Documents/report.pdf"，想知道它在哪个目录下，那么
substring-before("C:/Users/Documents/report.pdf", "/report.pdf") 就能帮你得到 "C:/Users/Documents"。
它在数据清洗和结构化提取方面，是一个非常基础但又高效的工具。我个人觉得，很多时候我们获取到的数据都不是那么规整的，尤其是从网页上抓取下来的文本，往往会带有一些前缀或者标识符，这时候
substring-before()就能派上大用场了。
substring-before()
与 substring-after()
有何不同，各自适用于哪些场景？
这两个函数就像一对孪生兄弟，都是用来切割字符串的，但一个取前面，一个取后面。
substring-before()是取分隔符之前的部分，而
substring-after()则是取分隔符之后的部分。
它们的应用场景自然也是互补的。比如，你有一个商品编号是
"PROD_A12345"，你想得到
"PROD"这个前缀，那自然是用
substring-before("PROD_A12345", "_A")。但如果你想得到实际的编号"A12345"，那么
substring-after("PROD_A12345", "PROD_")就更合适了。
在处理URL时，这两种函数也经常配合使用。比如，从
"https://example.com/products?id=123&category=books"中，你想获取域名
"example.com"，你可能会先用
substring-after(., '://')得到
"example.com/products?id=123&category=books"，然后再用
substring-before(., '/')来提取出
"example.com"。这种链式操作在XPath中是相当常见的，也是体现其灵活性的一个点。选择哪个函数，完全取决于你想要保留哪一部分信息。
在处理复杂字符串时，substring-before()
可能会遇到哪些挑战或限制？
虽然
substring-before()很好用，但它也不是万能的，在某些复杂场景下，确实会遇到一些限制。
一个比较常见的挑战是，如果指定的
substring（分隔符）在原始字符串中不存在，那么
substring-before()会返回一个空字符串。这在实际应用中需要特别注意，因为它不会报错，只是默默地给你一个空值，你可能需要额外的逻辑去判断这个结果是否有效。例如，
substring-before("hello world", "xyz") 的结果就是空字符串。
另一个限制是，它只会查找并处理第一个匹配到的分隔符。这意味着，如果你的字符串中包含多个相同的分隔符，比如
"apple-banana-cherry"，而你用
substring-before(., "-")，它只会返回
"apple"。如果你想获取
"banana"或者
"cherry"，
substring-before()就无法直接满足需求了，你可能需要结合其他函数，比如多次应用
substring-after()或者考虑使用XPath 2.0及更高版本中的
tokenize()函数（如果环境支持的话），来将字符串分割成多个部分，再进行处理。
此外，
substring-before()是区分大小写的。
substring-before("HelloWorld", "world")会返回空字符串，因为它找不到小写的"world"。如果你需要进行不区分大小写的匹配，你可能需要先将原始字符串和分隔符都转换为小写或大写（例如使用lower-case()函数），然后再进行比较。这些都是在使用时需要留意的细节，否则很容易得到非预期的结果。
结合实际网页抓取，如何高效利用 substring-before()
提取特定数据？
在网页抓取中，
substring-before()是数据清洗和定位的关键一环。想象一下，你正在抓取一个电商网站的商品列表，每个商品的链接可能长这样：
...。而你只想提取出
PID-12345这个商品ID。
这时，你可以这样来构建你的XPath表达式：
//a[starts-with(@href, '/product/detail/')]/@href这会先定位到所有符合条件的链接的
href属性。 然后，你可以在这个结果上应用
substring-before()：
substring-before(substring-after(//a[starts-with(@href, '/product/detail/')]/@href, 'PID-'), '-sku-')
让我分解一下这个思路：
//a[starts-with(@href, '/product/detail/')]/@href
：首先，我找到所有href
属性以/product/detail/
开头的标签，并取出它们的
href
属性值。substring-after(..., 'PID-')
：因为我只关心PID-
后面的内容，所以先用substring-after()
把href
值中PID-
之前的部分去掉。例如，/product/detail/PID-12345-sku-abc.html
会变成12345-sku-abc.html
。substring-before(..., '-sku-')
：接着，从上一步的结果12345-sku-abc.html
中，我需要sku-
之前的部分，也就是12345
。所以再用substring-before()
来提取。
这样一步步地剥离，就能精准地提取出你想要的数据。这种组合使用
substring-before()和
substring-after()的方式，在处理各种带前缀、后缀或中间夹杂着特定标识符的字符串时，都非常高效和实用。它避免了使用复杂的正则表达式，让XPath表达式更加直观和易于理解，尤其是在处理那些结构相对固定的字符串时，效果极佳。
