Python,LXML-访问文本
作者：互联网
我目前有点想法,我真的希望您能给我一个提示：
最好用一小段示例代码来解释我的问题：
from lxml import etree
from io import StringIO
testStr = "<b>text0<i>text1</i><ul><li>item1</li><li>item2</li></ul>text2<b/><b>sib</b>"
parser = etree.HTMLParser()
# generate html tree
htmlTree = etree.parse(StringIO(testStr), parser)
print(etree.tostring(htmlTree, pretty_print=True).decode("utf-8"))
bElem = htmlTree.getroot().find("body/b")
print(".text only contains the first part: "+bElem.text+ " (which makes sense in some way)")
for text in bElem.itertext():
print(text)
输出：
<!DOCTYPE html PUBLIC "-//W3C//DTD HTML 4.0 Transitional//EN" "http://www.w3.org/TR/REC-html40/loose.dtd">
<html>
<body>
<b>text0<i>text1</i><ul><li>item1</li><li>item2</li></ul>text2<b/><b>sib</b></b>
</body>
</html>
.text only contains the first part: text0 (which makes sense in some way)
text0
text1
item1
item2
text2
sib
我的问题：
我想直接访问“ text2”,或获取所有文本部分的列表,仅包括可以在父标记中找到的部分.
到目前为止,我只找到了itertext(),它确实显示“ text2”.
还有什么其他方法可以检索“ text2”？
现在您可能会问为什么我需要这个：
基本上itertext()已经在做我想要的了：
>创建一个列表,其中包含在元素的子级中找到的所有文本
>但是,我想处理遇到的表和列表
一个不同的函数(随后创建一个列表结构
像这样：[“ text0 text1”,[“ item1”,“ item2”],“ text2”]或用于表格(1. 1列的行,2.
具有2列的行)：[“ 1. row,1 col”,[“ 2.row,1. col”,“ 2.row,2.
col“]])
也许我采用了完全错误的方法？
解决方法:
您可以重新实现itertext()函数,并在必要时为ul,table插入特殊处理程序：
from lxml import html
def itertext(root, handlers=dict(ul=lambda el: (list(el.itertext()),
el.tail))):
if root.text:
yield root.text
for el in root:
yield from handlers.get(el.tag, itertext)(el)
if root.tail:
yield root.tail
print(list(itertext(html.fromstring(
"<b>text0<i>text1</i><ul><li>item1</li>"
"<li>item2</li></ul>text2<b/><b>sib</b>"))))
输出量
['text0', 'text1', ['item1', 'item2'], 'text2', 'sib']
注意：X中的yield可以用X中的x代替：比Python 3.3版本旧的yield x.
连接相邻的字符串：
def joinadj(iterable, join=' '.join):
adj = []
for item in iterable:
if isinstance(item, str):
adj.append(item) # save for later
else:
if adj: # yield items accumulated so far
yield join(adj)
del adj[:] # remove yielded items
yield item # not a string, yield as is
if adj: # yield the rest
yield join(adj)
print(list(joinadj(itertext(html.fromstring(
"<b>text0<i>text1</i><ul><li>item1</li>"
"<li>item2</li></ul>text2<b/><b>sib</b>")))))
输出量
['text0 text1', ['item1', 'item2'], 'text2 sib']
为了允许表格,在< ul>中嵌套列表.处理程序应递归调用itertext()：
def ul_handler(el):
yield list(itertext(el, with_tail=False))
if el.tail:
yield el.tail
def itertext(root, handlers=dict(ul=ul_handler), with_tail=True):
if root.text:
yield root.text
for el in root:
yield from handlers.get(el.tag, itertext)(el)
if with_tail and root.tail:
yield root.tail
print(list(joinadj(itertext(html.fromstring(
"<b>text0<i>text1</i><ul><li>item1</li>"
"<li>item2<ul><li>sub1<li>sub2</li></ul></ul>"
"text2<b/><b>sib</b>")))))
输出量
['text0 text1', ['item1', 'item2', ['sub1', 'sub2']], 'text2 sib']
标签：text,lxml,html-parsing,python 来源： https://codeday.me/bug/20191201/2077499.html