使用lxml/ElementT获取非连续文本

Question

假设我有这样的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，那么mydiv.text文件只返回“text1”。在

使用itertext（）似乎是有问题的，或者最多也很麻烦，因为它会在div下遍历整个树

有没有简单/优雅的方法从元素中提取非第一个文本块？在

Answer 1

这样的文本将位于元素子元素的tail属性中。如果元素在elem中，则：

elem[0].tail

将为您提供元素中第一个子元素的尾部文本，在您的例子中是您要查找的"text2"。在

Answer 2

嗯，lxml.etree提供完整的XPath支持，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 3

{{sram>属性中的任何子节点都不在cdllam>中。在

例如，以下是提取节点中所有文本块的最简单方法：

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)

如果为了防止texts可能包含空字符串而牺牲该关系，则可以使用以下方法：

^{pr2}$

我还没有用普通的stdlib ElementTree测试过这个，但它也应该可以用它来工作。（当我看到shaneholloway的lxml专用解决方案时，我才想到这一点）我更喜欢lxml，因为它对HTML的视频同步有更好的支持，而且我通常已经为lxml.html.clean安装了它