使用Parsel选择器提取类名称的内容时绕过em标记

Question

我正在尝试提取类名称的内容。如何提取所有内容，包括'em'标签内以及'em'标签后的内容？参见下图：

我尝试了以下方法，这些是结果：

审判1：

driver = webdriver.Chrome(options=options)
sel = Selector(text = driver.page_source)
sel.xpath("//*[@class ='st']").extract()

输出1：

>> <span class="st"><span class="f">Nov 26, 2018 - </span>First #<em>GDPR fine</em> awarded in Germany. 330,000 user data stolen. Usernames and passwords stored in plaintext. €20,000 <em>fine</em>. Why "so low"?</span>

审判2：

driver = webdriver.Chrome(options=options)
sel = Selector(text = driver.page_source)
sel.xpath("//*[@class ='st']/text()").extract()

输出2：

>> First #

理想情况下，我想要获得的输出是：

>> Nov 26, 2018 - First #GDPR fine awarded in Germany. 330,000 user data stolen. Usernames and passwords stored in plaintext. €20,000 fine. Why "so low"?

Answer 1

我最终找到了一种解决问题的方法，尽管它不是一种优雅的方法，但仍然欢迎一种更为优雅的解决方案。

我使用以下方法提取了类名的内容：

 driver = webdriver.Chrome(options=options)
 sel = Selector(text = driver.page_source)
 content = sel.xpath("//*[@class ='st']").extract()

然后我定义了一个将html从文本中剥离的函数：

import html.parser

class HTMLTextExtractor(html.parser.HTMLParser):
    def __init__(self):
        super(HTMLTextExtractor, self).__init__()
        self.result = [ ]

    def handle_data(self, d):
       self.result.append(d)

    def get_text(self):
       return ''.join(self.result)

    def html_to_text(html):
        s = HTMLTextExtractor()
        s.feed(html)
        return s.get_text()

遍历列表中的内容并一次剥离html，这给了我想要的结果：

  m = []
  for w in content:
      z = html_to_text(w)
      m.append(z)