编程语言
首页 > 编程语言> > Python,LXML-访问文本

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