如何用lxml提取p标签中的所有内容？

Question

以下html片段中有三个xyz和两个<br>标记 我想解析它并提取p标签中的所有内容。

import lxml.html
strings = """<p> xyz <br>　
xyz <br>　xyz  </p>"""
root=lxml.html.document_fromstring(strings)
texts = root.xpath('//p')
for i,content in enumerate(texts):
    print(i,"    ",content.text)

结果不是我想要的。

0       xyz 

如何用lxml提取p标签中的所有内容？
为什么我的代码不能用lxml提取p标签中的所有内容（三个xyz）？

Answer 1

我不知道lxml，但你可以使用bs4

from bs4 import BeautifulSoup
strings = """<p> xyz <br>　
xyz <br>　xyz  </p>"""

soup = BeautifulSoup(strings, 'lxml')

for i, html in enumerate(soup.find_all('p')):
    print(i, html.text)

输出：

0  xyz
xyz  xyz

Answer 2

使用content.text_content()代替content.text。

我得到了这个输出：

0       xyz 　
xyz 　xyz

content.text仅为您提供xyz字符串，该字符串是<p>的直接子项。其他两个xyz：es存储在每个<br>元素的tail中。