使用 xpath 获取部分字符串匹配的 html 标签

Question

html代码是盲目的，它在html中包含字符串“PRICE”。该部分字符串必须与 html 文本匹配。如果文本使用 xpath 匹配（部分匹配）。它应该返回特定的 html 标记路径。

注意：我需要为多个站点自动执行此逻辑。我应该使用通用规则 （用于定位“价格”，获取父标签）

这是示例：

html="""<div id = "price_id">
  <span id = "id1"></span>
  <div class="price_class">
   <bold>
   <strong>
   <label>PRICE:</label> 125 Rs.
   </bold>
   </strong>
   </br>
   </br>

</div>"""

我使用了 lxml

 from lxml.html.clean import Cleaner     

 cleaner =Cleaner(page_structure=False)
 cl = cleaner.clean_html(html)
 cleaned_html = fromstring(cl)

 for element in cleaned_html:
      if element.text == 'PRICE':
          print "matched"

使用 Xpath 表达式如何编写？

我只需要使用 xpath 表达式获取 div 类路径。

另外问题是我是否找到“PRICE：”字符串。 我应该获得父级有效标签，即“div”，类名为“price_class”。 但在这里我应该跳过或删除不需要的标签，如字体、粗体、斜体...

您能否建议我获取找到的字符串的父有效标签？

Answer 1

您可以使用ancestor轴：

import lxml.html

html = ...
doc = lxml.html.fromstring(html)

for element in doc.xpath('//label[contains(text(), "PRICE:")]/ancestor::div[@class="price_class"]'):
    print 'Found %s: %s' % (element.tag, element.text_content().strip())

输出：

Found div: PRICE: 125 Rs.

编辑：修改问题的更通用解决方案：

doc.xpath('//*[contains(text(), "PRICE:")]/\
          ancestor::*[not(self::strong|self::bold|self::italic)][1]')

它将搜索带有文本“PRICE：”，然后选择第一个祖先跳过 strong、bold、italic。您可以将更多标签添加到排除列表中。

您可以搜索第一个 good 祖先（例如 div、ul 等），而不是排除列表：

doc.xpath('//*[contains(text(), "PRICE:")]/ancestor::*[self::div|self::ul][1]')

Answer 2

我只需要使用 xpath 表达式获取 div 类路径。

使用：

//*[contains(text(), 'PRICE')]/ancestor::div[1]/@class

另外问题是我是否找到“PRICE：”字符串。我应该必须
获取父有效标签“div”，类名为“price_class”。
但在这里我应该跳过或删除不需要的标签，例如
字体、粗体、斜体...

XPath 是 XML 文档的查询语言。因此它不能修改 XML 文档的结构。为此，必须使用另一种语言（即托管 XPath）。

XSLT 是执行 XML 文档转换的最合适的语言，因为它是专门为此目的而设计的。