如何使用 lxml.html 从 HTML 元素中获取文本

Question

我一直试图从网页https://www.list-org.com/company/11665809 中获取托管在<div> 元素中的全文。
该元素应包含一个子字符串“Арбитраж”。
确实如此，因为我的代码

for div in tree.xpath('.//div[contains(text(), "Арбитраж")]'):
    print(div)

返回响应

Element div at 0x15480d93ac8

但是当我尝试使用方法div.text 获取全文本身时，它返回None
我认为这是一个奇怪的结果。 我该怎么办？
任何帮助将不胜感激。 以及关于学习 HTML 基础知识的源建议（不是一个精明的程序员），以避免将来出现这样简单的问题。

Answer 1

这是当 xpath 由宿主语言和库处理时发生的这些奇怪的事情之一。 当你使用 xpath 表达式时

 .//div[contains(text(), "Арбитраж")] 

搜索是根据 xpath 规则执行的，它认为目标文本包含在目标 div 中。 当您继续下一行时：

print(div.text)

您正在使用 lxml.html，它显然不将目标文本视为 div 文本的一部分，因为它前面有 <i> 标记。要使用 lxml.html，您必须使用：

print(div.text_content())

或仅使用 xpath：

print(tree.xpath('.//div[contains(text(), "Арбитраж")]/text()')[0])

似乎 lxml.etree 和 beautifulsoup 使用不同的方法。 See this interesting discussion here.