使用 lxml 查找文本和子元素的顺序

发布于 2024-09-09 02:30:55 字数 313 浏览 2 评论 0原文

假设我有以下 HTML：

<div>
text1
<div>
  t1
</div>
text2
<div>
  t2
</div>
text3
</div>

我知道如何使用 lxml.html 获取封闭 div 的文本和子元素。但是有没有一种方法可以以迭代方式访问文本和子元素，同时保留顺序？换句话说，我想知道 div 的“自由文本”相对于图像出现在哪里。我希望能够知道“text1”出现在第一个内部 div 之前，并且 text2 出现在两个内部 div 之间，等等。

原文

Let's say I have the following HTML:

<div>
text1
<div>
  t1
</div>
text2
<div>
  t2
</div>
text3
</div>

I know of how to get the text and subelements of the enclosing div using lxml.html. But is there a way to access both text and sub elements in an iterative manner, that preserves order? In other words, I want to know where the "free text" of the div appears relative to the images. I would like to be able to know that "text1" appears before the first inner-div, and that text2 appears between the two inner-divs, etc.

分享到QQ

分享到微博

如果你对这篇内容有疑问，欢迎到本站社区发帖提问参与讨论，获取更多帮助，或者扫码二维码加入 Web 技术交流群。

发布评论

需要登录才能够评论，你可以免费注册一个本站的账号。

彼岸花ソ最美的依靠 2024-09-16 02:30:55

elementtree 接口（lxml 也提供）支持这一点——例如，使用 Python 2.7 中的内置元素树：

>>> from xml.etree import ElementTree as et
>>> x='''<div>
... text1
... <div>
...   t1
... </div>
... text2
... <div>
...   t2
... </div>
... text3
... </div>'''
>>> t=et.fromstring(x)
>>> for el in t.iter():
...   print '%s: %r, %r' % (el.tag, el.text, el.tail)
... 
div: '\ntext1\n', None
div: '\n  t1\n', '\ntext2\n'
div: '\n  t2\n', '\ntext3\n'

根据您的 lxml/elementtree 版本，您可以需要拼写迭代器方法 .getiterator() 而不是 .iter()。

如果您需要一个按顺序生成标签和文本的生成器，例如：

def elements_and_texts(t):
    for el in t.iter():
        yield 'tag', el.tag
        if el.text is not None:
            yield 'text', el.text
        if el.tail is not None:
            yield 'tail', el.tail

这基本上删除了 None 并生成第一项为 'tag' 的二元组>、'text' 或 'tail'，帮助您区分。我想这不是您理想的格式，但将其塑造成更符合您喜好的格式应该不难；-)。

The elementtree interface, which lxml also offers, supports that -- e.g. with the built-in element tree in Python 2.7:

>>> from xml.etree import ElementTree as et
>>> x='''<div>
... text1
... <div>
...   t1
... </div>
... text2
... <div>
...   t2
... </div>
... text3
... </div>'''
>>> t=et.fromstring(x)
>>> for el in t.iter():
...   print '%s: %r, %r' % (el.tag, el.text, el.tail)
... 
div: '\ntext1\n', None
div: '\n  t1\n', '\ntext2\n'
div: '\n  t2\n', '\ntext3\n'

Depending on your version of lxml/elementtree, you may need to spell the iterator method .getiterator() instead of .iter().

If you need a single generator that will yields tags and texts in order, for example:

def elements_and_texts(t):
    for el in t.iter():
        yield 'tag', el.tag
        if el.text is not None:
            yield 'text', el.text
        if el.tail is not None:
            yield 'tail', el.tail

This basically removes the Nones and yields two-tuples with a first item of 'tag', 'text', or 'tail', to help you distinguish. I imagine this is not your ideal format, but it should not be hard to mold it into something more to your liking;-).

回复收藏 0 原文

~没有更多了~