在xpath中，xml:lang属性的处理推荐使用lang()函数而非直接查询@xml:lang；2. lang()函数判断节点在继承链上的有效语言是否匹配指定语言代码，支持前缀匹配，如lang(‘en’)可匹配en、en-us、en-gb等；3. 直接使用@xml:lang=’en’仅检查当前节点是否显式设置了该属性且值完全匹配，不考虑继承和语言变体；4. 例如//paragraph[lang(‘en’)]能选中继承document的en语言的段落，而//paragraph[@xml:lang=’en’]则无法选中，因该段落未显式定义属性；5. 对于区域语言，lang(‘en-us’)可精确匹配美式英语，而@xml:lang=’en-us’仅匹配显式声明且值为en-us的节点；6. 在复杂查询中，lang()常与其他条件组合，如//paragraph[lang(‘zh’) and contains(., ‘工作流程’)]用于筛选中文且含关键词的段落，或//product[./price > 100]/description[lang(‘en’)]提取高价产品的英文描述；7. lang()函数的继承性和前缀匹配机制使其成为多语言文档中精准、灵活的语言筛选工具，符合实际语言上下文需求。
XML的
xml:lang
属性在XPath查询中，主要通过内置的
lang()
函数来判断一个节点在给定语言环境下的有效性，而非仅仅检查该节点是否直接拥有
xml:lang
属性。这使得我们能够根据内容的实际语言上下文来筛选数据，这对于处理多语言文档至关重要。
解决方案
要查询基于
xml:lang
属性的节点，最推荐且功能最强大的方式是使用XPath的
lang()
函数。这个函数接受一个语言代码作为参数，然后判断当前上下文节点（或其最近的祖先节点）的有效语言是否与该参数匹配。这里的“匹配”是宽松的，例如，
lang('en')
会匹配
xml:lang="en"
，也会匹配
xml:lang="en-US"
或
xml:lang="en-GB"
。
举个例子，假设我们有这样的XML：
Hello World <paragraph>this is an English paragraph.</paragraph><title>你好世界</title> <paragraph>这是一个中文段落。 <text>An example in American English.</text> Este es un párrafo en español.
如果我们想找到所有有效语言为英文（包括美式英文、英式英文等）的段落，可以使用：
//paragraph[lang('en')]
这个表达式会选中：
-
<paragraph>This is an English paragraph.</paragraph>
(因为它继承了父元素
document
的
xml:lang="en"
)
-
<text>An example in American English.</text>
(因为它继承了
example
元素的
xml:lang="en-US"
, 而
en-US
匹配
en
)
如果我只想找到明确设置为中文的标题，可以这样：
//title[lang('zh')]
这会选中
<title>你好世界</title>
。
lang()
lang()
函数与
@xml:lang
属性直接查询有何不同？
这是一个我经常看到有人混淆的地方，但理解它们之间的差异对于编写健壮的XPath查询至关重要。简单来说，
@xml:lang
直接查询只关注当前节点是否明确设置了
xml:lang
属性，而
lang()
函数则考虑了语言的继承性。
当我们使用
@xml:lang='en'
时，XPath只会检查当前节点上是否存在一个名为
xml:lang
的属性，并且其值是否恰好是
en
。它不会向上查找父节点，也不会处理语言变体（比如
en-US
）。
比如，对于上面的XML：
//paragraph[@xml:lang='en']
这个查询不会返回任何结果，因为第一个段落的
xml:lang
是继承自
<document>
的，它自己并没有直接设置。而第三个段落的
xml:lang
是
es
。
而
//paragraph[lang('en')]
则会返回第一个英文段落，因为尽管它自己没有
xml:lang
属性，但其祖先元素
document
有，并且其有效语言环境是
en
。
所以，如果你需要根据内容的实际语言上下文来筛选，
lang()
函数是你的首选。如果你只是想找到那些明确标记了特定语言的元素，那么
@xml:lang
直接查询就足够了，但通常情况下，
lang()
更符合我们对“语言”这个概念的直观理解。
处理多语言或特定区域语言（如
en-US
en-US
）的XPath策略
处理多语言文档时，尤其是涉及到像
en-US
（美式英语）、
en-GB
（英式英语）这样的区域语言代码，
lang()
函数展现了它的灵活性。XPath的
lang()
函数设计得非常智能，它会进行前缀匹配。这意味着，
lang('en')
不仅会匹配
xml:lang="en"
，也会匹配任何以
en-
开头的语言代码，比如
en-US
、
en-GB
、
en-CA
等。
这在实际应用中非常方便。例如，如果你想找到所有英文内容，无论它是哪种区域的英文，直接使用
lang('en')
就可以搞定，省去了写一堆
or
条件的麻烦。
但如果你有更精确的需求，比如，我只想要那些明确是美式英语的内容，而不是任何英文。这时候，
lang('en-US')
会是一个选择，它会匹配
en-US
但不会匹配
en
或
en-GB
。如果你的XML结构中，父级是
en
，子级是
en-US
，那么
lang('en-US')
只会匹配到子级。
如果你的需求是只匹配那些明确设置为
en-US
的元素，不考虑继承，也不考虑
en-GB
这种变体，那么直接使用
@xml:lang='en-US'
会更精确。这两种方式各有侧重，取决于你对“特定区域语言”的定义：是包括其子变体，还是精确到当前节点？
在复杂XPath表达式中结合
xml:lang
xml:lang
进行数据筛选的实践考量
在实际工作中，我们很少会只根据语言来筛选。更多时候，
lang()
函数会作为复杂XPath表达式中的一个谓词（predicate），与其他条件结合起来，以实现更精细的数据提取。
比如，我可能需要找出所有用中文撰写的、包含特定关键词的段落：
//paragraph[lang('zh') and contains(., '工作流程')]
这个表达式会先筛选出所有有效语言为中文的
<paragraph>
元素，然后在这些中文段落中，进一步查找那些文本内容包含“工作流程”的。
再比如，我们可能需要提取不同语言版本的产品描述：
//product[./price > 100]/description[lang('en')]
这个查询会找到所有价格大于100的产品，然后从这些产品内部，提取出它们的英文描述。
在构建这样的复合查询时，理解
lang()
函数的工作原理（尤其是它的继承性和前缀匹配特性）至关重要。它能帮助我们避免编写冗余的XPath，也能确保我们获取的数据是符合预期语言环境的。我个人觉得，这种组合查询能力是XPath真正强大的地方之一，它允许我们以非常声明式的方式，从复杂的XML文档中抽取出我们真正需要的信息。它让语言成为数据筛选的一个自然且强大的维度。
