Question

这一定是绝对经典，但我在这里找不到答案。我正在使用lxml cssselect解析以下标记：

<li><a href="/stations/1"><span class="num">3</span> Detroit</a></li>

我想获取<li>代码的内容，不含 <span>代码的内容。

目前我有：

stop_list = doc.cssselect('ol#stations li a')
start = stop_list[0].text_content().strip()

但这给了我3 Detroit。我怎样才能获得Detroit？

Answer 1

元素的

itertext方法返回节点文本数据的迭代器。对于<a>标记，' Detroit'将是迭代器返回的第二个值。如果文档的结构始终符合已知规范，则可以跳过特定的文本元素以获得所需的内容。

from lxml import html

doc = html.fromstring("""<li><a href="/stations/1"><span class="num">3</span> Detroit</a></li>""")
stop_nodes = doc.cssselect('li a') 
stop_names = []
for start in stop_list:
    node_text = start.itertext()
    node_text.next() # Skip '3'
    stop_names.append(node_text.next().lstrip())
    continue

您可以将css选择器与Zachary's answer中提到的xpath text()函数结合使用（如果您使用CSS选择器比使用xpath更舒服）：

stop_names = [a.xpath('text()').lstrip() for a in doc.cssselect('li a')]

Answer 2

我对lxml不太熟悉，但这在IDLE（v2.7.2）中有效。我认为使用XPath比使用CSS更好：

>>> xml = '<li><a href="/stations/1"><span class="num">3</span> Detroit</a></li>'
>>> root = etree.fromstring(xml)
>>> print( root.xpath('/li/a/text()'))
[' Detroit']

选择之后，这似乎需要更少的重复。

编辑1

这是一个稍微不同的例子，可能会影响您的决定：

>>> xml = '<li><a href="/stations/1">I <span>FooBar!</span> love <span class="num">3</span> Detroit</a></li>'
>>> root = etree.fromstring(xml)
>>> print( root.xpath('/li/a/text()'))
['I ', ' love ', ' Detroit']
>>> ' '.join([x.strip() for x in root.xpath('/li/a/text()')])
'I love Detroit'

我希望这有帮助，
扎卡里

lxml classic：获取除嵌套标签之外的文本内容？

2 个答案: