使用lxml.html提取文本
[英]Extract text with lxml.html
問題描述
我有一個HTML文件：
<html>
<p>somestr
<sup>1</sup>
anotherstr
</p>
</html>
我想將文本提取為：
somestr 1 anotherstr
但我無法弄清楚該怎么做。 我寫了一個to_sup()函數，它將數字字符串轉換為上標，所以我得到的最接近的是：
for i in doc.xpath('.//p/text()|.//sup/text()'):
if i.tag == 'sup':
print to_sup(i),
else:
print i,
但我的ElementStringResult似乎沒有一個方法來獲取標簽名稱，所以我有點迷失。 任何想法如何解決？
2 個解決方案
解決方案1
8 2014-05-29 08:48:10
第一個解決方案（連接沒有分隔符的文本 - 另見python [lxml] - 清除html標簽 ）：
import lxml.html
document = lxml.html.document_fromstring(html_string)
# internally does: etree.XPath("string()")(document)
print document.text_content()
這一個幫助了我 - 連接我需要的方式：
from lxml import etree
print "\n".join(etree.XPath("//text()")(document))
解決方案2
3 已采納 2012-12-17 10:43:27
只是不要在XPath中的sup節點上調用text() 。
for x in doc.xpath("//p/text()|//sup"):
try:
print(to_sup(x.text))
except AttributeError:
print(x)
lxml.html通過搜索關鍵字來提取字符串
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.