如何用 lxml iterwalk 循环中的文本替换 HTML 标记答案

【问题标题】：How to replace an HTML tag with text inside an lxml iterwalk loop如何用 lxml iterwalk 循环中的文本替换 HTML 标记
【发布时间】：2014-07-30 01:22:34
【问题描述】：

我正在使用 lxml iterwalk 遍历 HTML 树，我想用换行符替换 <pre></pre> 内的所有 <br> 标记。这就是我目前所拥有的：

root = lxml.html.fromstring(text)
for action, el in etree.iterwalk(root):
    if el.tag == 'pre':
        for br in el.xpath('br'):
            # replace this <br> tag with "\n"

如果可能的话，替换应该在这个循环中完成，因为无论如何我们都需要循环，并且在其中包含这一步可能是最有效的方法。

关于 SO 有一个类似的问题/答案，但它无助于解决问题： How can one replace an element with text in lxml?

【问题讨论】：

我问过一个类似的问题 - 但我没有将 iterwalk 作为条件。
您对基于BeautifulSoup 的解决方案是否满意，或者lxml 是必需的？
lxml 是一个要求——它很快，这正是我们所需要的。但是文档是纯粹的恐怖：-P
好的，使用BeautifulSoup 非常简单直接。

标签： python html replace html-parsing lxml

【解决方案1】：

我知道您有 lxml 作为要求，但是使用 BeautifulSoup 来解析和修改 HTML 更容易和有趣。如果速度在这里真的很重要，您可以使用lxml 作为underlying parser：

from bs4 import BeautifulSoup

text = """
<div>
    <pre>
        <br>
        test
        <br>
    </pre>
    <br>
</div>
"""

soup = BeautifulSoup(text, "lxml")
for pre in soup.find_all('pre'):
    for br in pre.find_all('br'):
        br.replace_with('\n')

print soup.prettify()

打印：

<html>
 <body>
  <div>
   <pre>


        test


    </pre>
   <br/>
  </div>
 </body>
</html>

【讨论】：

【解决方案2】：

drop_tree() 方法正是你所需要的：

.drop_tree():

删除元素及其所有子元素。不像 el.getparent().remove(el) 这不会删除尾部文本；和 drop_tree 尾部文本与前一个元素合并。

找到pre 中的所有br 元素，将tail 设置为\n 并删除该元素：

from lxml import etree
import lxml.html

text = """
<div>
    <pre>
        <br>
        test
        <br>
    </pre>
    <br>
</div>
"""

root = lxml.html.fromstring(text)
for action, el in etree.iterwalk(root):
    if el.tag == 'pre':
        for br in el.xpath('br'):
            br.tail = '\n' + br.tail
            br.drop_tree()

print etree.tostring(root)

打印：

<div>
    <pre>


        test


    </pre>
    <br/>
</div>

【讨论】：