Python 在 cssselect 和 text_content() 之后在 lxml.html 中保留换行符

【问题标题】：Python keeping newlines in lxml.html after cssselect and text_content()Python 在 cssselect 和 text_content() 之后在 lxml.html 中保留换行符
【发布时间】：2011-05-13 15:57:19
【问题描述】：

在 python 中，如何在使用 lxml.html 时保留段落（即保留换行符）？

例如，下面会去掉

标签并加入行，这不是我想要的：

body = doc.cssselect("div.body")[0]
content = body.text_content()

这是我尝试过但不起作用的方法：

lxml.html.clean.clean_html：
- 不会保留换行符。
content.replace(" "*3,"\n\n"):
- 无法始终如一地工作，因为组合文本不具有相同的空格数。

【问题讨论】：

标签： python newline html-parsing lxml

【解决方案1】：

根据文档，lxml text_content 正在做应该做的事情，它正在剥离 html 标签并将文本留在后面。

您可以通过在输出内容之前添加自己的换行符来解决此问题。

body = doc.cssselect("div.body")[0]
for para in body.xpath("*//p"):
    para.text = "\n%s\n" % para.text
content = body.text_content()
print content

【讨论】：

谢谢，这就是我最终做的：paragraphs = self.doc.cssselect('div#body p') paragraph_text = [paragraph.text_content() for paragraph in paragraphs] content = '\ n\n'.join(paragraph_text)
body.xpath("*//p") 对我不起作用，我将其更改为 body.xpath("./p")。无论如何都要 +1
另见stackoverflow.com/questions/18660382/…，它的替代效果更好。