我试图用lxml和Python解析一些HTML。我想删除部分标签。 lxml似乎能够删除我指定的所有其他标签,但不能删除节标签。
e.g。
test_html = '<section> <header> Test header </header> <p> Test text </p> </section>'
to_parse_html = etree.fromstring(test_html)
etree.strip_tags(to_parse_html,'header')
etree.tostring(to_parse_html)
'<section> Test header <p> Test text </p> </section>'
etree.strip_tags(to_parse_html,'p')
etree.tostring(to_parse_html)
'<section> Test header Test text </section>'
etree.strip_tags(to_parse_html,'section')
etree.tostring(to_parse_html)
'<section> Test header Test text </section>'
为什么会这样?
答案 0 :(得分:2)
为什么会这样?
不是。 documention说明如下:
请注意,这不会删除元素(或ElementTree根目录 你传递的即使匹配也是如此。它只会对待它 后代。
所以:
>>> tree = etree.fromstring('<section> outer <section> inner </section> </section>')
>>> etree.strip_tags(tree, 'section')
>>> etree.tostring(tree)
'<section> outer inner </section>'
您看到的行为与<section>
标记无关,但事实上它恰好是您的代码段的最外层标记。因此,您的问题的实际答案是&#34;因为它以这种方式实施&#34;。
删除最外面的标记:是否可以更改创建<section>...</section>
的代码来执行此操作?如果没有,ElementDepthFirstIterator
可以解决问题:
>>> tree = etree.fromstring('<section> outer <section> inner </section> </section>')
>>> for val in etree.ElementDepthFirstIterator(tree, tag=None, inclusive=False):
... print(etree.tostring(val))
b'<section> inner </section> '