[英]How to ignore the <br> tag xpath
myList = tree.xpath('//div[@id="RM1127"]/div[@class="moreInfo"]/text()')
我正在为这个div内的元素抓取一个网站。 它工作正常,但在这一格上,有一个<b>
标记。 myList将该div的元素作为两个单独的元素返回。
<div class="moreInfo" style="display:none;font-weight:normal; font-size:14px; margin-top:6px; padding:0px 0 0 30px;">
Over ½ lb. of jumbo shrimp fried golden crisp in a…
<br></br>
coleslaw, cocktail & Tartar sauce. …
</div>
HTML看起来像这样。 与其将“超过½磅的大虾炸金酥”和“凉拌卷心菜,鸡尾酒和塔塔酱”作为一个元素,不如将它们作为单独的元素排列在一起。
使用Python XPath + LXML
,只需调用HtmlElement.text_content()
。 看一下这个完整的例子:
from lxml import etree
import lxml.html
html ="""<!DOCTYPE html>
<html>
<body>
<div id="RM1127">
<div class="moreInfo" style="">
Over 1/2 lb. of jumbo shrimp fried golden crisp in a...
<br>
coleslaw, cocktail & Tartar sauce
</div>
</div>
</body>
</html>"""
dom = lxml.html.fromstring(html)
tags = dom.xpath("""//div[@id="RM1127"]/div[@class="moreInfo"]""")
for e in tags:
print(e.text_content())
从文档 :
lxml.html.HtmlElement.text_content():
返回元素的文本内容,包括其子元素的文本内容,不带标记。
尝试以下XPath表达式:
string(//div[@id="RM1127"]/div[@class="moreInfo"])
当应用于节点集时,XPath 字符串函数返回按文档顺序排在第一位的节点的字符串值。 元素节点的字符串值是所有文本节点后代的字符串值的串联 。
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.