3.3 数据类型与 XML Schema

3.3 数据类型与 XML Schema

本节摘要：XPath 1.0 只有四种数据类型：节点集、布尔、数字、字符串。2.0 引入原子类型体系，并可在有 XML Schema 时把 price 当成 xs:decimal 而不是文本。没有 Schema 的文档，比较价格仍要 number()。本节合并原文 3.4 与 3.5，动手结论优先：先问文档有没有类型注解，再决定表达式怎么写。

你能学到什么

阅读完本节，你应当能够：

1. 说出 1.0 四类型以及隐式转换何时发生
2. 列举 2.0 常用原子类型：字符串、小数、日期、布尔
3. 说明 Schema 如何让元素「带着类型」进入数据模型
4. 在无 Schema 时继续用第 2 章的 number/string 纪律

一、同一句 price>35，有无 Schema 两套故事

无 Schema、1.0：price 是元素节点，比较时取字符串值再试着转数。成功则比，失败则假。

有 Schema 把 price 声明为 xs:decimal，2.0 数据模型里该元素的类型注解就是小数，price gt 35 按数值比，不必 number()。这是 Schema 对 XPath 最直接的好处：少一次「这到底是不是数」的心智税。

书店样本贯穿全文都没有 Schema。所以本教程正文比较一律写 number(price)。你若维护已校验的行业 XML（发票、药监），查 Schema 里字段类型，再决定能否丢掉 number。

二、1.0 四类型 vs 2.0 原子类型

原文集 3.4 把 2.0 类型树铺得很开：xs:string、xs:boolean、xs:decimal、xs:float、xs:double、xs:dateTime 等，还有 untypedAtomic——无 Schema 时节点拍扁后的类型，比较规则接近 1.0 的宽松转换。

Schema 本身不是 XPath 的一部分。它是一份描述「什么元素能出现、类型是什么」的文档。校验器先按 Schema 检查实例，再把类型注解挂到树上。XPath 2.0 引擎若开启 schema-aware，才能看见这些注解。很多轻量引擎不 schema-aware，即使你有 Schema 文件，路径里仍然全是 untypedAtomic。

⚠️ 常见坑：以为放了 Schema 文件在旁边，lxml 的 xpath 就会按小数比较。lxml 不走这条链路。Schema 文件对它主要是校验，不是 XPath 类型注解。
💡 关键直觉：类型是引擎给节点贴的第二张标签。没贴，你就自己 number()；贴了，才能少写转换。

图：三层，谁给价格贴类型

三、和 XPath 相关的 Schema 点

Schema 能定义 ID 类型属性，于是 id() 可用。也能定义枚举，校验阶段拦住非法 category，XPath 就不必写一长串 or。把「合法值」放 Schema，「查询切片」放 XPath，比把枚举写进每一条谓词干净。

cast as、treat as、instance of 是 2.0 运算符。instance of xs:decimal 可在谓词里分流。1.0 没有。遇到未知函数或语法错误，先看是不是抄了 2.0 类型语法进 1.0 引擎。

无类型比较的著名坑：字符串 '10' > '9' 为假，因为字典序 '1' 小于 '9'。number 之后 10>9 为真。Schema 把字段标成数字，就是为了从根上拆掉这类比较。在无 Schema 项目里，number 是你自己贴的临时类型。

问题：JSON 有 Schema 吗？

XPath 3.1 能查 JSON 的 map/array，类型是另一套。JSON Schema 不会自动变成 XPath 注解。别把 XML Schema 经验直接搬到 JSON 查询。

问题：校验失败的文档还能查吗？

很多流水线仍会解析出树，只是没有可靠类型注解，甚至结构残缺。XPath 对残缺树仍尽量返回空或局部命中。不要用「能查出节点」证明文档合法。合法是 Schema 的活。

四、untypedAtomic、字符串比数字、以及 Schema 不自动生效

没有 Schema 时，2.0 仍可能把拍扁后的值标成 untypedAtomic，比较规则接近 1.0 的宽松转换。不要看见「我在用 2.0 引擎」就删掉 number。问的是节点有没有类型注解，不是引擎版本号。schema-aware 开启且实例校验通过，price 才能按小数比。lxml 不走这条链路：旁边放着 Schema 文件，xpath 方法仍然把价格当文本。Schema 对它主要是校验入口，不是 XPath 类型来源。

字符串比较数字的经典事故：'10'>'9' 为假，因为字典序看第一个字符。number 之后 10 大于 9 为真。无 Schema 项目里，number 就是你自己贴的临时类型。漏贴一次，报表排序会按字典走，看起来像随机。代码评审看见价格、数量、年份和大于号在一起，强制问有没有 number 或类型注解。

DTD 的 ID 类型是 1.0 里少数「类型有用」的角落，id 函数靠它工作。HTML 的 id 属性通常不是这种类型。枚举放 Schema 能在校验阶段拦住非法 category，XPath 就不必写一长串或。把合法值放 Schema，把切片放 XPath，比把枚举复制进每一条谓词干净。校验失败的文档仍可能被解析成树，XPath 查出节点不证明文档合法。合法是 Schema 的活，查询是切片的活，两本账。

cast as、instance of 是 2.0 运算符。抄进 1.0 会语法错误。报错时先看是不是类型语法混进了 1.0 引擎，再看路径。JSON Schema 不会自动变成 XPath 3.1 的 map 类型注解。XML Schema 经验不能直接搬到 JSON 查询。字段格式先约定，再选函数族。year 写成 2005 和写成日期字面是两种模型，混比没有自动对齐。

书店教程全文没有 Schema，所以比较一律显式转换。你维护的行业 XML 若已校验，查字段类型，能丢掉 number 再丢。不要反过来：看见教程写 number 就以为有 Schema 的项目也必须写——那是教程迁就 1.0 现实，不是永远的最佳形态。

五、无 Schema 时 number 就是你贴的类型

书店 price 是文本。'10'>'9' 字典序为假，number 之后为真。漏写 number，排序和过滤会按字典走，报表像随机。有 Schema 且引擎 schema-aware 时，price 注解为小数，gt 按数值比，可以丢掉 number。lxml 不走这条链路，旁边的 Schema 文件不会改变 xpath 结果。问的是注解在不在树上，不是磁盘上有没有 Schema 文件。

untypedAtomic 是 2.0 对无类型值的标签，比较仍宽松。不要看见 2.0 引擎就删转换。ID 类型让 id 函数工作，HTML 的 id 通常不是。枚举放 Schema，切片放 XPath。校验失败仍可能查出节点，那不证明合法。cast as 抄进 1.0 会语法错误。JSON Schema 不会变成 map 注解。year 数字和日期字面不要混比。

练习：用字符串比较 '10' 和 '9'，再 number 比较，记下真假。把这组结果贴到代码评审清单：「价格旁边的大于号有没有 number」。再确认项目用的是不是 lxml——是的话，讨论 Schema 类型就是跑题，继续显式转换。行业 XML 已校验且 Saxon schema-aware，再评估能否丢掉 number。两条路都合法，混用会让同事以为类型「有时灵」。

六、类型是树上的第二张标签不是磁盘上的说明书

没有类型注解时价格是文本，字符串比大小按字典，十会小于九。转换函数是你自己贴的临时标签。说明书放在旁边，轻量库也不会因此按小数比较，它主要用来校验实例。能看见注解的是开启感知并且校验通过的引擎。无类型原子在高版本里仍然比较宽松，看见高版本号就删转换会翻车。标识类型让标识函数工作，超文本的标识常常不是那种类型。合法值放说明书，切片放路径。查出节点不证明文档合法。类型语法抄进一点零会直接语法错。年份数字和日历字面不要混比。书店教程没有说明书，所以比较一律显式转换；行业报文若已校验且引擎吃注解，再评估能否丢掉转换。两条路都合法，混用会让同事以为类型有时灵。

用字符串比较十和九，字典序为假；转成数再比，为真。把这组真假贴到评审清单：价格旁边的大于号有没有转换。轻量库旁边放着说明书也不会按小数比较，说明书对它主要是校验。能看见注解的是开启感知并且校验通过的引擎。看见高版本号就删转换会翻车，因为无类型原子仍然比较宽松。标识类型让标识函数工作，页面标识常常不是那种类型。合法值放说明书，切片放路径。查出节点不证明合法。类型语法抄进低版本会语法错。年份数字和日历字面不要混比。书店教程没有说明书所以显式转换；行业报文若已校验且引擎吃注解，再评估能否丢掉转换。两条路都合法，混用会让同事以为类型有时灵。

原文集把高版本类型树铺开：字符串、布尔、小数、浮点、双精度、日期时间，还有无类型原子。无说明书时节点拍扁后接近无类型原子，比较规则接近低版本的宽松转换。说明书本身不是路径语言的一部分，它描述什么元素能出现、类型是什么。校验器先检查实例再把注解挂到树上，路径引擎若开启感知才能看见。很多轻量引擎不感知，即使有说明书文件，路径里仍然全是无类型。说明书能定义标识类型让标识函数可用，也能定义枚举在校验阶段拦住非法分类。把合法值放说明书，把切片放路径，比把枚举写进每一条筛选干净。转换与视为、是否某类型是高版本运算符，抄进低版本会语法错。

用字符串比较十和九得假，转成数再比得真，把这组结果贴到评审清单。再确认项目用的是不是轻量库，是的话讨论说明书类型就是跑题，继续显式转换。行业报文已校验且引擎吃注解，再评估能否丢掉转换。两条路都合法，混用会让同事以为类型有时灵。无说明书时价格是文本。轻量库旁边放着说明书也不会按小数比较。能看见注解的是开启感知并且校验通过的引擎。看见高版本号就删转换会翻车。标识类型让标识函数工作，页面标识常常不是。合法值放说明书，切片放路径。查出节点不证明合法。类型语法抄进低版本会语法错。年份数字和日历字面不要混比。对象记法说明书不会自动变成映射注解。

十和九的字典序与数值序相反，评审看见价格和大于号就问有没有转换。轻量库不吃旁边的说明书当注解。感知开启且校验通过才看见小数。高版本号不等于已贴注解。页面标识常常不是标识类型。枚举放说明书切片放路径。查出节点不证明合法。类型语法不要抄进低版本。年份和日历不要混比。对象记法说明书不会变成映射注解。无类型原子比较仍宽松。书店教程没有说明书所以显式转换。

十大于九在字典序里是假，在数值序里是真。轻量库不靠旁边的说明书改比较规则，没有注解就继续显式转换。

动手验收用字符串比较十和九得假、转成数再比得真，把这组真假贴到评审清单：看见价格旁边的大于号就问有没有转换。轻量库旁边即使放着说明书也不会按小数比较，说明书对它主要是校验实例。查出节点不证明文档合法，合法值放说明书，切片仍放路径。

本章回顾

• 1.0 四类型：节点集、布尔、数字、字符串
• 书店样本无 Schema：比较继续 number
• Schema 注解要 schema-aware 引擎才看见
• lxml 不靠旁边的 Schema 文件改 XPath 类型
• 字符串比数字会翻车：'10'>'9' 为假
• 枚举放 Schema，切片放 XPath

下一章把已经能写对的表达式接到 Python、Java、浏览器和抓取工具上，并处理 // 的性能账单。