一旦我使用 lxml 识别了 html 文档的一部分的开始和结束部分，我如何获取它们之间的所有内容

Question

我正在处理一些 html 文件。我正在尝试找出一种方法来一致地获取文档中存在的某些文本。我知道我想要的部分以一些粗体单词开头，并且我知道该部分以其他粗体单词结尾。

bolded_item=atree.cssselect('b')

myKeys=[item for item in bolded_items if item.text if 'KEY' in item.text]

所以 myKeys 是一个列表，其成员是树中的元素，特别是具有粗体文本并在文本中包含单词“KEY”的元素。

我现在想识别 myKeys 中任意 2 个元素之间的树的所有部分，我希望能够以各种方式操作它们。我正在尝试 getparent、getchildren getnext 以及运行 dir(myKeys[0]) 后看起来可能的所有其他方法，但我没有取得进展。

任何建议将不胜感激

Answer 1

我建议使用 SAX 来完成此任务。

基本文档可在 http://lxml 获取.de/sax.html#having-sax-events-from-an-elementtree-or-element

您的处理程序应该使用事件而不执行任何操作，直到收到所需的粗体项目，然后将事件写入新的缓冲区/树/无论什么，直到它收到终止粗体项目。

Answer 2

本着SO的精神，我已经找到了我认为最好的答案，并将自己发布。

import lxml
from lxml import html
testFile=open(r'c:\temp\testlxml.htm').read()
aTree=html.fromstring(testFile)
bolds=aTree.cssselect('b')
theTitles=[item.text for item in bolds if item.text if 'KEY' in item.text]
theBoldKeys=[item for item in bolds if item.text if 'KEY' in item.text]
theFullList=[]
for e in aTree.iter():
    theFullList.append(e)

for numb,item in enumerate(theFullList):
    if item==theBoldItems[0]:
        first=numb
    if item==theBoldItems[1]:
        second=numb
theText=[]
for item in theFullList[first:second]:
    if item.text:
        theText.append(item.text)
    if item.tail:
       theText.append(item.tail)

aString=' '.join(theText)

稍微解释一下。

我的目标是将一些逻辑应用于文档的粗体部分，因为其中包含单词 KEY 的粗体部分定义了文档的不同部分。 TheTitles 是包含单词“KEY”的粗体元素列表。根据我的特定需求，我可能需要标题中任意两个项目之间的所有文本，我可以创建测试和必要的逻辑来从标题中选择项目。

theBoldItems 是实际元素的列表，对于任何 i theTitles[i]==theBoldItems[i].text

接下来我得到 theFullList，它是树中的所有 htm 元素。因为 LXML 构建树的顺序是我知道我想要捕获所有元素 theBoldItems[i] 和 theBoldItems[i+1]。令人高兴的是，Python 构建测试的方式是如此简单。

我现在可以获得所有这些内容的文本，虽然我仍然需要清理一些内容，但我已经成功地撕掉了我可能想要的任何两个项目之间的所有文本。