如何通过lxml解析从htmlfile打印出所有的文本信息？

2024-09-30 02:25:20 发布

您现在位置：Python中文网/ 问答频道 /正文
4706 3

我有一个这样的html文件：

<html>
  <head></head>
    <body>
      <p>
       <dfn>Definition</dfn>sometext / ''
       (<i>othertext</i>)someothertext / ''
       (<i>...</i>)
       (<i>...</i>)
      </p>
       <p>
         <dfn>Definition2</dfn>sometext / ''
         (<i>othertext</i>)someothertext / ''
         <i>blabla</i>
         <i>bubu</i>
       </p>
     </body>
</html>

sometext/''表示dfn标记后面可以有或不能有某些文本，对于i标记也是如此。而且，它们中的i标记和文本并不总是存在的。只有dfn标记中的文本始终存在。你知道吗

我需要为每个p标记获取以下输出：

Definition, sometext, othertext, someothertext.

Definition2, sometext, othertext, someothertext, blabla, bubu.

我尝试用以下代码实现它：

tree = etree.parse(filename)
places = []
for dfn in tree.getiterator('dfn'):
   def_text = dfn.text
   def_tail = dfn.tail
   for sibling in dfn.itersiblings():   
            sib_text = sibling.text
            sib_tail = sibling.tail
            if def_text not in places:
                places.append(def_text)
                if def_tail == None or sib_text == None or sib_tail == None:
                  continue
                else:
                  places.append(def_tail), places.append(sib_text), places.append(sib_tail) 
return places

这给我的输出是正确的一半。例如，它只是跳过此窗体的条目：

<p><dfn>Cityname</dfn>, text 2349 </p>

或者我从I-tags和它们的部分标签中获取文本。。。 我想问题是关于迭代的，但我真的找不到错误。。。。你知道吗

有什么有效的方法来实现我的目标吗？你知道吗

另外，我还尝试了一些树.xpath（'//p/text（）'），但它太笼统了，在我的例子中，我需要提取dfn的同级相对于dfn本身的文本：如果dfn是好的（我有更多的代码来定义dfn是否是好的），那么打印出dfn和p标记中随它而来的所有文本。你知道吗


Tags： textin标记文本defhtmltailplaces
2条回答
网友
1楼 · 编辑于 2024-09-30 02:25:20

谢谢你的提示，我有这个给我我需要的：

for p in tree.xpath("//p"):
  dfn = p.xpath('./dfn/text()')
  after_dfn = p.xpath("./dfn/following::text()")
  if dfn!=None:
    print dfn
  if after_dfn !=None:    
    for x in after_dfn:
        print x

唯一的问题是-它导致了一个无限循环，我如何才能摆脱它？你知道吗

网友
2楼 · 编辑于 2024-09-30 02:25:20

我会尝试以下方法：

for p in tree.xpath("//p"):  # This gets all the p elements
    dfn = p.xpath('./dfn')[0]  # may want to check this exists first
    after_dfn = p.xpath("./dfn/following-sibling::node()")
    for x in after_dfn:
        pass  # do whatever you need to do with the stuff after dfn

相关问题 更多 >

    编程相关推荐

    热门问题