根據術語列表從樹中刪除元素

Question

我正在嘗試從網頁中捕獲一些文本（運行腳本時會傳遞其URL），但是該文本隱藏在沒有分配其他屬性的段落標簽中。 我可以收集每個段落標記的內容，但是我想從樹中刪除包含任何關鍵字列表的任何元素。

我收到以下錯誤：

tree.remove（elem）TypeError：參數'element'具有錯誤的類型（預期為lxml.etree._Element，得到了_ElementStringResult）

我知道嘗試遍歷樹時返回的內容是錯誤的類型，但是如何獲取元素呢？

樣例代碼：

    #!/usr/bin/python

    from lxml import html
    from lxml import etree

    url = sys.argv[1]
    page = requests.get(url)
    tree = html.fromstring(page.content)

    terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
    paragraphs = tree.xpath('//p/text()')
    for elem in paragraphs:
        if any(term in elem for term in terms):
            tree.remove(elem) 

Answer 1

在您的代碼中， elem是一個_ElementStringResult ，它具有實例方法getparent 。 它的父級是<p>節點之一的Element對象。

父級具有remove方法，可用於將其從樹中刪除：

element.getparent().remove(element)

我不相信有更直接的方法，而且對於為什么沒有removeself方法我也沒有很好的答案。

使用示例html：

content = '''
<root>
    <p> nothing1 </p>
    <p> keyword1 </p>
    <p> nothing2 </p>
    <p> nothing3 </p>
    <p> keyword4 </p>
</root>
'''

您可以通過以下方式在代碼中看到這一點：

from lxml import html
from lxml import etree

tree = html.fromstring(content)

terms = ['keyword1','keyword2','keyword3','keyword4','keyword5','keyword6','keyword7']
paragraphs = tree.xpath('//p/text()')
for elem in paragraphs:
    if any(term in elem for term in terms):
        actual_element = elem.getparent() 
        actual_element.getparent().remove(actual_element)

for child in tree.getchildren():
    print('<{tag}>{text}</{tag}>'.format(tag=child.tag, text=child.text))

# Output:
# <p> nothing1 </p>
# <p> nothing2 </p>
# <p> nothing3 </p>

從注釋中看，這段代碼似乎不適合您。 如果是這樣，您可能需要提供有關html結構的更多信息。