根据术语列表从树中删除元素

Question

我试图从一个网页中捕获一些文本（运行脚本时会传递其URL），但它隐藏在段落标记中，没有指定其他属性。我可以收集每个段落标记的内容，但是我想从树中删除包含任何关键字列表的元素。在

我得到以下错误：

tree.remove(elem) TypeError: Argument 'element' has incorrect type (expected lxml.etree._Element, got _ElementStringResult)

我知道当我试图遍历树时，我得到的是错误的类型，但是我如何取而代之的是元素呢？在

样本代码：

    #!/usr/bin/python

    from lxml import html
    from lxml import etree

    url = sys.argv[1]
    page = requests.get(url)
    tree = html.fromstring(page.content)

    terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
    paragraphs = tree.xpath('//p/text()')
    for elem in paragraphs:
        if any(term in elem for term in terms):
            tree.remove(elem) 

Answer 1

在您的代码中，elem是一个^{}，它具有实例方法getparent。它的父节点是Element节点之一的Element对象。在

父级有一个remove方法，可用于将其从树中删除：

element.getparent().remove(element)

我不相信有更直接的方法，我也没有一个好的答案为什么没有removeself方法。在

使用示例html：

^{pr2}$

您可以在代码中看到这一点：

from lxml import html
from lxml import etree

tree = html.fromstring(content)

terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
paragraphs = tree.xpath('//p/text()')
for elem in paragraphs:
    if any(term in elem for term in terms):
        actual_element = elem.getparent() 
        actual_element.getparent().remove(actual_element)

for child in tree.getchildren():
    print('<{tag}>{text}</{tag}>'.format(tag=child.tag, text=child.text))

# Output:
# <p> nothing1 </p>
# <p> nothing2 </p>
# <p> nothing3 </p>

从评论来看，这段代码似乎不适合你。如果是这样，您可能需要提供有关html结构的更多信息。在