获取lxml中标签内的所有文本

Question

我想编写一个代码 sn-p，它会在以下所有三个实例中，在 lxml 中获取 <content> 标记内的所有文本，包括代码标记。我试过tostring(getchildren()) 但这会错过标签之间的文本。我在 API 中搜索相关功能时运气不佳。你能帮帮我吗？

<!--1-->
<content>
<div>Text inside tag</div>
</content>
#should return "<div>Text inside tag</div>

<!--2-->
<content>
Text with no tag
</content>
#should return "Text with no tag"


<!--3-->
<content>
Text outside tag <div>Text inside tag</div>
</content>
#should return "Text outside tag <div>Text inside tag</div>"

Answer 1

只需使用node.itertext() 方法，如：

 ''.join(node.itertext())

Answer 2

text_content() 能满足你的需要吗？

Answer 3

试试：

def stringify_children(node):
    from lxml.etree import tostring
    from itertools import chain
    parts = ([node.text] +
            list(chain(*([c.text, tostring(c), c.tail] for c in node.getchildren()))) +
            [node.tail])
    # filter removes possible Nones in texts and tails
    return ''.join(filter(None, parts))

例子：

from lxml import etree
node = etree.fromstring("""<content>
Text outside tag <div>Text <em>inside</em> tag</div>
</content>""")
stringify_children(node)

生产者：'\nText outside tag <div>Text <em>inside</em> tag</div>\n'

Answer 4

最简单的代码 sn-ps 之一，实际上对我有用，并且根据 http://lxml.de/tutorial.html#using-xpath-to-find-text 的文档是

etree.tostring(html, method="text")

其中 etree 是一个节点/标签，您正在尝试阅读其完整文本。请注意，它并没有摆脱脚本和样式标签。

Answer 5

解决 hoju 报告的 bugs 的 albertov 的 stringify-content 版本：

def stringify_children(node):
    from lxml.etree import tostring
    from itertools import chain
    return ''.join(
        chunk for chunk in chain(
            (node.text,),
            chain(*((tostring(child, with_tail=False), child.tail) for child in node.getchildren())),
            (node.tail,)) if chunk)

Answer 6

答案已经给出，只是一个快速的改进。如果你想清理里面的文字：

clean_string = ' '.join([n.strip() for n in node.itertext()]).strip()

Answer 7

以下使用python生成器的sn-p完美运行，非常高效。

''.join(node.itertext()).strip()

Answer 8

import urllib2
from lxml import etree
url = 'some_url'

获取网址

test = urllib2.urlopen(url)
page = test.read()

获取包含 table 标记的所有 html 代码

tree = etree.HTML(page)

xpath 选择器

table = tree.xpath("xpath_here")
res = etree.tostring(table)

res是table的html代码 这对我有用。

因此您可以使用 xpath_text() 提取标签内容，并使用 tostring() 提取包含其内容的标签

div = tree.xpath("//div")
div_res = etree.tostring(div)

text = tree.xpath_text("//content") 

或 text = tree.xpath("//content/text()")

div_3 = tree.xpath("//content")
div_3_res = etree.tostring(div_3).strip('<content>').rstrip('</')

使用 strip 方法的最后一行不太好，但它确实有效

Answer 9

用这种方式定义stringify_children可能不那么复杂：

from lxml import etree

def stringify_children(node):
    s = node.text
    if s is None:
        s = ''
    for child in node:
        s += etree.tostring(child, encoding='unicode')
    return s

或一行

return (node.text if node.text is not None else '') + ''.join((etree.tostring(child, encoding='unicode') for child in node))

原理和this answer一样：把子节点的序列化留给lxml。在这种情况下，node 的 tail 部分并不有趣，因为它位于结束标记的“后面”。请注意，encoding 参数可以根据自己的需要进行更改。

另一种可能的解决方案是序列化节点本身，然后去掉开始和结束标记：

def stringify_children(node):
    s = etree.tostring(node, encoding='unicode', with_tail=False)
    return s[s.index(node.tag) + 1 + len(node.tag): s.rindex(node.tag) - 2]

这有点可怕。这段代码只有在node 没有属性时才是正确的，而且我认为即使在那时也没有人愿意使用它。

Answer 10

import re
from lxml import etree

node = etree.fromstring("""
<content>Text before inner tag
    <div>Text
        <em>inside</em>
        tag
    </div>
    Text after inner tag
</content>""")

print re.search("\A<[^<>]*>(.*)</[^<>]*>\Z", etree.tostring(node), re.DOTALL).group(1) 

Answer 11

我知道这是一个老问题，但这是一个常见问题，我有一个似乎比目前建议的更简单的解决方案：

def stringify_children(node):
    """Given a LXML tag, return contents as a string

       >>> html = "<p><strong>Sample sentence</strong> with tags.</p>"
       >>> node = lxml.html.fragment_fromstring(html)
       >>> extract_html_content(node)
       "<strong>Sample sentence</strong> with tags."
    """
    if node is None or (len(node) == 0 and not getattr(node, 'text', None)):
        return ""
    node.attrib.clear()
    opening_tag = len(node.tag) + 2
    closing_tag = -(len(node.tag) + 3)
    return lxml.html.tostring(node)[opening_tag:closing_tag]

与此问题的其他一些答案不同，此解决方案保留了其中包含的所有标签，并从与其他可行解决方案不同的角度解决问题。

Answer 12

lxml 有一个方法：

node.text_content()

Answer 13

针对@Richard 上面的评论，如果您修补 stringify_children 以阅读：

 parts = ([node.text] +
--            list(chain(*([c.text, tostring(c), c.tail] for c in node.getchildren()))) +
++            list(chain(*([tostring(c)] for c in node.getchildren()))) +
           [node.tail])

似乎避免了他所指的重复。

Answer 14

这是一个可行的解决方案。我们可以获取带有父标签的内容，然后从输出中剪切父标签。

import re
from lxml import etree

def _tostr_with_tags(parent_element, html_entities=False):
    RE_CUT = r'^<([\w-]+)>(.*)</([\w-]+)>$' 
    content_with_parent = etree.tostring(parent_element)    

    def _replace_html_entities(s):
        RE_ENTITY = r'&#(\d+);'

        def repl(m):
            return unichr(int(m.group(1)))

        replaced = re.sub(RE_ENTITY, repl, s, flags=re.MULTILINE|re.UNICODE)

        return replaced

    if not html_entities:
        content_with_parent = _replace_html_entities(content_with_parent)

    content_with_parent = content_with_parent.strip() # remove 'white' characters on margins

    start_tag, content_without_parent, end_tag = re.findall(RE_CUT, content_with_parent, flags=re.UNICODE|re.MULTILINE|re.DOTALL)[0]

    if start_tag != end_tag:
        raise Exception('Start tag does not match to end tag while getting content with tags.')

    return content_without_parent

parent_element 必须有 Element 类型。

请注意，如果您需要文本内容（不是文本中的 html 实体），请将 html_entities 参数保留为 False。

Answer 15

如果这是一个a标签，你可以试试：

node.values()