如何使用 lxml 从此 HTML 片段中获取文本？答案

【问题标题】：How can I get the text from this HTML snippet using lxml?如何使用 lxml 从此 HTML 片段中获取文本？
【发布时间】：2021-04-06 21:41:49
【问题描述】：

谁能解释为什么这个 sn-p 在断言上失败？

from lxml import etree

s = '<div><h2><img />XYZZY</h2></div>'

root = etree.fromstring(s)

elements = root.xpath(".//*[contains(text(),'XYZZY')]")  # Finds 1 element, as expected

for el in elements:
    assert el.text is not None

然后...如何访问“XYZZY”并将其更改为“ZYX”？

【问题讨论】：

标签： python xml lxml

【解决方案1】：

谁能解释为什么这个 sn-p 在断言上失败？

因为<h2> 元素的文本由lxml 存储在h2 元素的其中一个子元素中。您可以使用itertext() 来获取您要查找的内容。

from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)
elements = root.xpath(".//*[contains(text(),'XYZZY')]")
for el in elements:
    el_text = ''.join(el.itertext())
    assert el_text is not None
    print(el_text)

更新：再看一遍之后，发现每个元素都有 3 个相关属性：.tag、.text 和 .tail。

对于 .tail 属性，there is a small part in the tutorial 对此进行了解释：

<html><body>Hello<br/>World</body></html>

这里，
标签被文本包围。这通常被称为文档样式或混合内容 XML。元素通过他们的支持这一点尾属性。它包含直接跟随元素的文本，直到 XML 树中的下一个元素

.tail 的填充方式是again explained here：

LXML 附加尾随文本，该文本不包含在它自己的标签中，作为之前标签的.tail 属性。

所以我们实际上可以编写以下代码，遍历元素树中的每个元素，找到文本XYZZY 所在的位置：

from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)

context = etree.iterwalk(root, events=("start","end"))
for action, elem in context:
    print("%s: %s : [text=%s : tail=%s]" % (action, elem.tag, elem.text, elem.tail))

输出：

start: div : [text=None : tail=None]
start: h2 : [text=None : tail=None]
start: img : [text=None : tail=XYZZY]
end: img : [text=None : tail=XYZZY]
end: h2 : [text=None : tail=None]
end: div : [text=None : tail=None]

所以它位于<img> 元素的.tail 属性中。

关于你的第二个问题：

然后...如何访问“XYZZY”并将其更改为“ZYX”？

一种解决方案是遍历元素树，检查每个元素的文本或尾部是否有字符串，然后替换它：

#!/usr/bin/python3
from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)

search_string = "XYZZY"
replace_string = "ZYX"

context = etree.iterwalk(root, events=("start","end"))
for action, elem in context:
    if elem.text and elem.text.strip() == search_string:
        elem.text = replace_string
    elif elem.tail and elem.tail.strip() == search_string:
        elem.tail = replace_string

print(etree.tostring(root).decode("utf-8"))

输出：

<div><h2><img/>ZYX</h2></div>

【讨论】：