仅使用 Xpath 提取 <br> 标签内部分文本的文本

Question

我只想从这里抓取字符串：

                  <br>

                5 Brown Circle<br>

                Alabaster,

                AL &nbsp;&nbsp;

                35007

我需要深入了解如何从 html doc 之后的上述部分中提取文本：

<tr class="prem-tr" id="10425" role="row">
                    <td>
                        <h4><a class="prem-result-link" href="/Search/Details/10425">Graham &amp; Associates, CPAs</a></h4>

                        <a href="tel:+(205) 663-6673">(205) 663-6673</a>
                        <br>

                        5 Brown Circle<br>

                        Alabaster,

                        AL &nbsp;&nbsp;

                        35007

                        <div class="row result-btmRow">
                            <div class="col-sm-4">
                                <span class="result-dist"><small>Distance: 0.00 miles</small></span>
                            </div><!-- col6 -->
                            <div class="col-sm-8 result-actions">
                                <a id="WebsiteURL" class="visit-site" href="http://grahamandassociates.net" target="_blank">Visit Website</a>&nbsp;&nbsp;

                                <a class="send-email" href="/Search/Details/10425">Send a Message</a>
                            </div><!-- /col6 -->
                        </div><!-- /row -->
                    </td>
                </tr>

预期输出：5 Brown Circle, Alabaster, AL 35007 仅使用 xpath 以及解释。

或

在 css 选择器中，它工作正常。谁能解释下面的代码？谢谢

" ".join([" ".join(el.root.strip().split()) for el in sel.css("td::text") if el.root.strip()])

Answer 1

我不会说这是一个很好的解决方案，但如果要求只使用 XPath 1.0...

normalize-space(translate(concat(//td/text()[4], //td/text()[5]),"\xa0", ""))

稍微分解一下并在 iPython 中使用 lxml.etree 进行演示：

td 的所有子文本节点都可以用//td/text() 选择。这不包括姓名和电话号码，因为它们是后代而不是孩子。

In [73]: root.xpath('//td/text()')
Out[73]: 
['\n                        ',
 '\n\n                        ',
 '\n                        ',
 '\n\n                        5 Brown Circle',
 '\n\n                        Alabaster,\n\n                        AL \xa0\xa0\n\n                        35007\n\n                        ',
 '\n                    ']

理想情况下，我们可以连接所有这些字符串并使用normalize-space() 规范化空格，但这很尴尬，因为在XPath 1.0 中，我们只有concat() 可供我们使用，它只需要两个参数。在 Python 中使用join() 处理这个问题会更好，但是因为我们感兴趣的只有两个文本节点，所以我们可以使用concat() 来连接集合中的第四个和第五个文本节点，以获得纯 XPath 解决方案。

In [74]: root.xpath('concat(//td/text()[4], //td/text()[5])')
Out[74]: '\n\n                        5 Brown Circle\n\n                        Alabaster,\n\n                        AL \xa0\xa0\n\n                        35007\n\n                        '

现在我们可以申请normalize-space() 来清理空白。

In [75]: root.xpath('normalize-space(concat(//td/text()[4], //td/text()[5]))')
Out[75]: '5 Brown Circle Alabaster, AL \xa0\xa0 35007'              '

差不多了。现在我们只需要在规范化空格之前用translate() 去掉不间断的空格字符。

In [79]: root.xpath('normalize-space(translate(concat(//td/text()[4], //td/text()[5]),"\xa0", ""))')
Out[79]: '5 Brown Circle Alabaster, AL 35007'

请注意，因为这是 Python，所以我们必须使用 \xa0 而不是   或   来表示不间断空格字符。

Answer 2

&nbsp 实体和未关闭的<br> 标记的处理可能会因您使用的 XPath 处理器而异，但以下将产生所请求的确切结果：

//td/text()[string-length(normalize-space(.)) > 0]/normalize-space(translate(.,' ',''))

在哪里

• //td 选择所有 td 节点（示例中只有一个），
• /text() 选择作为td 的直接子级的所有文本节点，
• 谓词[string-length(normalize-space(.)) > 0] 消除了在去除前导/尾随空格后为零长度字符串的任何文本节点，
• /normalize-space(translate(.,' ','')) 将 nbsp 字符替换为空字符，并消除剩余文本节点的前导/尾随空格。