Python 告诉基于contains（）的XPath查询在到达字母后停止？

我为给定的关键字刮取各种作业页面，并在有匹配项时提取标题和链接

XPATH_MAPPING_SINGLE_PAGE = {'heading' : "//*[self::h2 or self::h3 or self::h4 or self::dt][contains(translate(., 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'), '%s')]"}
XPATH_MAPPING_HYPERLINKS = {'href': "//a[contains(translate(normalize-space(), 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'), '%s')]/@href",
                        'text': "//a[contains(translate(normalize-space(), 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'), '%s')]"}

import urllib2
import urlparse

import lxml.html as lh

response = urllib2_urlopen(url)
content = response.read()
root = lh.fromstring(content)
titles_and_links = get_individual_job_titles_and_hyperlinks(root, keyword)

def get_individual_job_titles_and_hyperlinks(root, keyword):
    texts = [element.text_content().strip() for element in root.xpath(XPATH_MAPPING_HYPERLINKS['text'] % keyword)]
    hrefs = root.xpath(XPATH_MAPPING_HYPERLINKS['href'] % keyword)
    return zip(texts, hrefs)

这是相当可靠的工作。然而，对于一个像“工程师”这样的页面，它会从中提取单个工程工作，但也会提取一个指向该公司工程博客页面的链接：

>>print title_and_links
[('Engineering Blog', '//engineering.gosquared.com/'), ('Software Engineer', '/careers/software-engineer/'), ('Engineering Blog', '//engineering.gosquared.com/')]

这显然是因为我的XPath基于

contains（）

。一旦找到文本“Engineer”，它将认为它是匹配的，因此解释了为什么“Engineering”链接也会被选中

如何修改XPath，使其不会出现这些误报？更新后的XPath需要知道在关键字结束后立即停止，可能需要一些点字（空格、连字符、句点、逗号等），而不是一个字母，因此仍然可以正确地拾取链接文本，如：

• 机械工程师
• 药剂师
• 保健科顾问
• 等等

---

这是否可以通过XPath实现，而不需要添加正则表达式来使用标点或空格？

我假设我们不能依赖页面上可能出现职务的任何特定部分

但是，我很确定，您可以避免查看

页眉

和

页脚

元素。检查家长：

//*
  [self::h2 or self::h3 or self::h4 or self::dt]
  [contains(translate(., 'ABCDEFGHIJKLMNOPQRSTUVWXYZ', 'abcdefghijklmnopqrstuvwxyz'), '%s')]
  [not(ancestor::footer) and not(ancestor::header)]

在这种情况下，这将有助于不匹配

工程博客

，因为它位于页脚。

我假设我们不能依赖页面上可能出现职位的任何特定部分。-事实上，这个页面只是一个例子，工程页面的链接可以在任何地方。