Question

我正在努力学习使用飞快移动。我有很多我想搜索的html文档。我发现text_content（）方法创建了一些有趣的问题，例如我可能有一些文本组织在一个看起来像

的表中

<html><table><tr><td>banana</td><td>republic</td></tr><tr><td>stateless</td><td>person</td></table></html>

当我获取原始字符串并获取树，然后使用text_content以下列方式获取文本

mytree = html.fromstring(myString)
text = mytree.text_content()

结果没有空格（应该是预期的）

'bananarepublicstatelessperson'

我尝试使用string.replace（）

插入新行

myString = myString.replace('</tr>','</tr>\n')

我确认新线存在

'<html><table><tr><td>banana</td><td>republic</td></tr>\n<tr><td>stateless</td><td>person</td></table></html>'

但是当我从上面运行相同的代码时，换行符不存在。因此，生成的text_content（）看起来就像上面一样。这是我的一个问题，因为我需要能够分开单词，我想我可以在每个td之后添加不间断的空格，在行之后添加换行符以及在body元素等之后的换行符以获得合理符合我的文本原始来源。

我会注意到我做了一些测试，发现在段落标记关闭后插入的换行符被保留了。但是表格中有很多文字我需要能够搜索。

感谢您的帮助

Answer 1

您可以使用此解决方案：

import re
def striphtml(data):
    p = re.compile(r'<.*?>')
    return p.sub('', data)

>>> striphtml('<a href="foo.com" class="bar">I Want This <b>text!</b></a>')
>>> 'I Want This text!'

在此处找到：using python, Remove HTML tags/formatting from a string

如何使用lxml.text_content（）从html中提取文本时保留新行

1 个答案: