Question

我通过xpath废弃了一些html，然后我转换成了etree。类似的东西：

<td> text1 <a> link </a> text2 </td>

但是当我调用element.text时，我只得到text1（它必须在那里，当我在FireBug中检查我的查询时，元素的文本被突出显示，嵌入的锚元素之前和之后的文本......

Answer 1

使用element.xpath("string()")或lxml.etree.tostring(element, method="text") - 请参阅the documentation。

Answer 2

作为对那些可能像我一样懒惰的人的公共服务。以上是您可以运行的一些代码。

from lxml import etree

def get_text1(node):
    result = node.text or ""
    for child in node:
        if child.tail is not None:
            result += child.tail
    return result

def get_text2(node):
    return ((node.text or '') +
            ''.join(map(get_text2, node)) +
            (node.tail or ''))

def get_text3(node):
    return (node.text or "") + "".join(
        [etree.tostring(child) for child in node.iterchildren()])


root = etree.fromstring(u"<td> text1 <a> link </a> text2 </td>")

print root.xpath("text()")
print get_text1(root)
print get_text2(root)
print root.xpath("string()")
print etree.tostring(root, method = "text")
print etree.tostring(root, method = "xml")
print get_text3(root)

输出是：

snowy:rpg$ python test.py 
[' text1 ', ' text2 ']
 text1  text2 
 text1  link  text2 
 text1  link  text2 
 text1  link  text2 
<td> text1 <a> link </a> text2 </td>
 text1 <a> link </a> text2

Answer 3

对我来说看起来像一个lxml错误，但根据设计，如果你阅读文档。我已经解决了这个问题：

def node_text(node):
    if node.text:
        result = node.text
    else:
        result = ''
    for child in node:
        if child.tail is not None:
            result += child.tail
    return result

Answer 4

另一件似乎很有效的方法是将文本从元素中删除"".join(element.itertext())

Answer 5

def get_text_recursive(node):
    return (node.text or '') + ''.join(map(get_text_recursive, node)) + (node.tail or '')

Answer 6

<td> text1 <a> link </a> text2 </td>

这是怎么回事（忽略空格）：

td.text == 'text1'
a.text == 'link'
a.tail == 'text2'

如果您不想要子元素内的文本，那么您只能收集它们的尾部：

text = td.text + ''.join([el.tail for el in td])

Answer 7

如果element等于<td>。您可以执行以下操作。

element.xpath('.//text()')

它将为您提供self中所有文本元素的列表（点的含义）。 //表示它将占用所有元素，最后text()是提取文本的函数。

Answer 8

element.xpath('normalize-space()') also works.

lxml.etree，element.text不返回元素的整个文本

8 个答案: