Question

我有以下html：

<div id = "big">
    <span>header 1</span>
    <ul id = "outer">
        <li id = "inner">aaa</li>
        <li id = "inner">bbb</li>
    </ul>

    <span>header 2</span>
    <ul id = "outer">
        <li id = "inner">ccc</li>
        <li id = "inner">ddd</li>
    </ul>
</div>

我希望它按顺序循环：

header 1
aaa
bbb
header 2
ccc
ddd

我尝试循环遍历每个ul，然后打印标题和li值。但是，我不知道如何获得与ul相关联的span标题。

sets = tree.xpath("//div[@id='big']//ul[@id='outer']")

for set in sets:

    # Print header. Not sure how to get it
    header = set.xpath(".//li/preceding-sibling::span")
    print header 

    # Print texts. This works.
    values = set.xpath(".//li//text()")
    for v in values:
        print v

只是循环所有文本节点将无法工作，因为我需要知道它是标头还是li值。

Answer 1

这有效：

header = ingred_set.getprevious().xpath(".//text()")[0]

Answer 2

对于HTML使用BeautifulSoup。它直接为您提供access to previous and next siblings：

sibling_soup.b.next_sibling
# <c>text2</c>

sibling_soup.c.previous_sibling
# <b>text1</b>

此外，您可以告诉BS在constructor中使用lxml解析器。从实践中我可以看出lxml在格式错误的输入上的效果优于默认html.parser

lxml / Python：得到previous-sibling

2 个答案: