解析lxml.etree.\u元素内容

Question

我从<table>中解析出以下元素

<td align="center" valign="top">
  <a href="ConfigGroups.aspx?cfgID=451161&amp;prjID=11778&amp;grpID=DTST" 
    target="_blank">
    5548U
  </a><br/>Power La Vaca<br/>(M8025K)<br/>Linux 4.2.x.x<br/>
</td>

我试图从这个元素（包括空格）中提取“55488powerlavaca（8025K）linux4.2.x.x”。在

^{pr2}$

结果

$ python textxml.py

FAIL_1
    5548U


FAIL_2
a
    5548U

br None
br None
br None
br None
$

问题

我不得不问这个问题真是令人谦卑，因为这似乎并不难。在

如何从td_elem元素（包括空格）提取“powerlavaca（8025K）linux4.2.x.x”？在

拜托，没有regexp解决方案。在

解决方案

显式解决方案（使用芬恩的建议itertext()）：

import lxml.etree as ET
td_html = """
<td align="center" valign="top">
  <a href="ConfigGroups.aspx?cfgID=451161&amp;prjID=11778&amp;grpID=DTST" 
    target="_blank">
    5548U
  </a><br/>Power La Vaca<br/>(M8025K)<br/>Linux 4.2.x.x<br/>
</td>
"""

td_elem = ET.fromstring(td_html)
print "SUCCESS", ' '.join([txt.strip() for txt in td_elem.itertext()])

Answer 1

我知道一定有更好的办法，但这是有效的。在

link = td_elem.find('a').text.strip()
text = ''.join(td_elem.itertext()).strip()
text.split(link)[1]

输出是Power La Vaca（M8025K）Linux 4.2.x.x

更新： 如果你想用空格来代替那些<br>，这实际上更好

^{pr2}$

实际上，mapstr并不需要它，但是我可以想象其他值。在

Answer 2

在使用XML时，即使在Python中，我也喜欢尝试使用可用的特定于域的工具。对于解析XML片段，XPath适合我。在

>>> td_elem = ET.fromstring(td_html)
>>>
>>> # Use XPath to grab just the text nodes under <td/>, 
>>> # ignoring any text nodes in child nodes of <td/> (i.e., <a...>5548U</a>)
>>> print(td_elem.xpath('/td/text()'))
['\n  ', 'Power La Vaca', '(M8025K)', 'Linux 4.2.x.x', '\n']
>>>
>>> # Make it a little cleaner
>>> ' '.join(x.strip() for x in td_elem.xpath('/td/text()'))
' Power La Vaca (M8025K) Linux 4.2.x.x '
>>>
>>> # Just for reference, grab all text nodes with '//'
>>> ' '.join(x.strip() for x in td_elem.xpath('/td//text()'))
' 5548U Power La Vaca (M8025K) Linux 4.2.x.x '