如何从 <br/> 标签后的单元格中获取文本？

Question

我正在爬取一个简单但很长的 HTML 块，类似于：

<table>
  <tbody>
    <tr>
      <td> Some text </td>
      <td> Some text </td>
    </tr>
    <tr>
      <td> Some text 
        <br/>
           Some more text
      </td>
    </tr>
  </tbody>
</table>

我正在使用以下小 Python 代码（使用 lxml）收集数据：

for element in root.iter():
  if element == 'td': 
    print element.text

有些文本分为两行，但大部分都放在一行中。问题出在分割的行内。

根元素是'table'标签。那个小代码可以打印出所有其他文本，但不能打印出“br”标签之后的内容。如果我不排除非 td 标签，则代码会尝试从“br”标签内打印可能的文本，但当然那里没有任何内容，因此这只会打印空的新行。

但是在这个 'br' 之后，代码在迭代中移动到该行的下一个标记，但忽略仍然在前一个 'td' 标记内的数据。

我怎样才能得到这些标签之后的数据？

编辑：似乎有些“br”标签是自动关闭的，但有些是打开的

<td> 
     Some text
  <br>
     Some more text
</td>

第一个答案中建议的 element.tail 方法似乎无法获取该打开标记之后的数据。

Edit2：实际上它有效。是我自己的错。忘了提到“print element.text”部分是由try-except封装的，如果br标签捕获了一个AttributeError，因为br标签内没有任何东西。我已将异常设置为仅通过并打印出任何内容。在同一个 try-except 中，我尝试了也打印出尾部，但由于之前发生的异常，从未打印出尾部。

Answer 1

对我来说，下面正在努力提取br之后的所有文本-

normalize-space(//table//br/following::text()[1])

工作示例是 at。

Answer 2

因为<br/>是一个自闭合标签，它没有任何text内容。相反，您需要访问它的 tail 内容。 tail 内容是元素结束标记之后、下一个开始标记之前的内容。要在 for 循环中访问此内容，您需要使用以下内容：

for element in root.iter():
    element_text = element.text
    element_tail = element.tail

即使br标签是一个开始标签，这个方法仍然有效：

from lxml import etree

content = '''
<table>
  <tbody>
    <tr>
      <td> Some text </td>
      <td> Some text </td>
    </tr>
    <tr>
      <td> Some text 
        <br>
           Some more text
      </td>
    </tr>
  </tbody>
</table>
'''

root = etree.HTML(content)

for element in root.iter():
    print(element.tail)

输出

Some more text