python - 使用 lxml / ElementTree 获取非连续文本

Question

假设我有这种 HTML，我需要使用 lxml/ElementTree 从中选择“text2”：

<div>text1<span>childtext1</span>text2<span>childtext2</span>text3</div>

如果我已经将 div 元素作为 mydiv，则 mydiv.text 仅返回“text1”。

使用 itertext() 充其量似乎是有问题或麻烦的，因为它会遍历 div 下的整个树。

是否有任何简单/优雅的方法可以从元素中提取非第一个文本块？

Answer 1

嗯，lxml.etree 提供了完整的 XPath 支持，它允许您处理文本项：

>>> import lxml.etree
>>> fragment = '<div>text1<span>childtext1</span>text2<span>childtext2</span>text3</div>'
>>> div = lxml.etree.fromstring(fragment)
>>> div.xpath('./text()')
['text1', 'text2', 'text3']

Answer 2

此类文本将位于tail元素子元素的属性中。如果您的元素在其中elem：

elem[0].tail

会给你元素中第一个孩子的尾部文本，在你的情况下，"text2"你正在寻找。

Answer 3

正如 llasram 所说，任何不在text属性中的文本都将在tail子节点的属性中。

例如，这是提取节点中所有文本块（第一个和其他）的最简单方法：

html = '<div>text1<span>childtext1</span>text2<span>childtext2</span>text3</div>'

import lxml.html    # ...or lxml.etree as appropriate
div = lxml.html.fromstring(html)

texts = [div.text] + [child.tail for child in div]
# Result: texts == ['text1', 'text2', 'text3']
# ...and you are guaranteed that div[x].tail == texts[x+1]
# (which can be useful if you need to access or modify the DOM)

如果您宁愿牺牲该关系以防止texts可能包含空字符串，则可以改用它：

texts = [div.text] + [child.tail for child in div if child.tail]

我没有用普通的旧 stdlib ElementTree 测试过这个，但它也应该适用。（当我看到 Shane Holloway 的 lxml 特定解决方案时，我才想到这一点）我只是更喜欢 LXML，因为它对 HTML 的 ideosyncracies 有更好的支持，而且我通常已经安装了它lxml.html.clean

Answer 4

用于node.text_content()将节点下的所有文本作为单个字符串获取。