提取两个lxml标签Python之间的所有内容答案

【问题标题】：Extracting everything between two lxml tags Python提取两个lxml标签Python之间的所有内容
【发布时间】：2020-05-01 12:12:07
【问题描述】：

考虑下面的html sn-p

<html>
  .
  .
  .
  <div>
    <p> Hello </p>
    <div>
      <b>
        Text1
      </b>
      <p>
        This is a huge paragraph text
      </p>
       .
       .
       .
     </div>
  </div>
  .
  .
  .
  <div>
    <i>
      Text2
    </i>
  </div>

假设我需要提取从Text1 到Text2 的所有内容，包括标签。使用一些方法，我已经能够提取出这两者的标签，即它们的唯一 ID。

基本上我有 2 个 Element.etree 元素，对应于我需要的两个标签。

如何提取两个标签之间的所有内容？

（我能想到的一个可能的解决方案是找到两个标签的共同祖先，然后执行iterwalk() 并从 Element1 开始提取，并在 2 处停止。但是，我不确定这会如何）任何解决方案将不胜感激。

请注意，我已经找到了我需要的两个标签，我不是在寻找解决方案来找到这些标签（例如使用 xpath）

编辑：我想要的输出是

      <b>
        Text1
      </b>
      <p>
        This is a huge paragraph text
      </p>
       .
       .
       .
     </div>
  </div>
  .
  .
  .
  <div>
    <i>
      Text2
    </i>

请注意，我不介意最初的 2 个<div> 标签，但不想要Hello。结束的结束标签也是如此。我最感兴趣的是中间的内容。

编辑 2：我使用复杂的 xpath 条件提取了 Etree 元素，这对于 bs4 等其他替代方案是不可行的，因此任何使用 lxml 元素的解决方案都将不胜感激:)

【问题讨论】：

你能提供想要的输出吗？
我已经用所需的输出编辑了我的帖子。道歉
您应该考虑使用正则表达式
输出可能不是正确的xml 结构，有问题吗？
不，这不是问题。我最感兴趣的是提取中间的文本

标签： python html tags lxml

【解决方案1】：

经过审查和提问：

from essentials.tokening import CreateToken # This was imported just to generate a random string - pip install mknxgn_essentials
import bs4

HTML = """<html>
    <div>
        <div>
            <div id="start">
                Hello, My name is mark
            </div>
        </div>
    </div>

    <div>
        This is in the middle
    </div>

    <div>
        <div id="end">
            This is the end
        </div>
    </div>

    <div>
        Do not include this.
    </div>

</html>"""

RandomString = CreateToken(30, HTML) #Generate a random string that could never occur on it's own in the file, if it did occur, use something else 
soup = bs4.BeautifulSoup(HTML, features="lxml") # Convert the text into soup
start_div = soup.find("div", attrs={"id": "start"}) #assuming you can find this element
start_div.insert_before(RandomString) # insert the random string before this element
end_div = soup.find("div", attrs={"id": "end"})     #again, i was assuming you can also find this element
end_div.insert_after(RandomString) # insert the random string after this element

print(str(soup).split(RandomString)[1]) # Get between both random strings

这个返回的输出：

>>>             <div id="start">
>>>                 Hello, My name is mark
>>>             </div>
>>>     </div>
>>> </div>
>>>     <div>
>>>         This is in the middle
>>>     </div>
>>> <div>
>>>     <div id="end">
>>>         This is the end
>>>     </div>

【讨论】：

嗨。最初我使用的是beautifulsoup，但切换到lxml，因为我的问题不像findall('div')那么简单。使用复杂的 xpath 语句，我能够将精确的 Etree 元素归零，但是，beautifulsoup 不支持这一点。那么，既然我有了我的 lxml 独特元素，我该如何解决这个问题呢？
嗨@ShrutheeshRaman，你能给我举个例子，说明除了你已经提供的之外，你还想完成什么吗？根据您刚才的解释，您是否正在尝试：收集从 X 到 Y 的所有内容，它们可能位于不同的父树中？
嗨@Mark，是的，我正在尝试完全按照您的公式进行操作。 stackoverflow.com/a/61476144/9926472 这是我之前的问题，我按照链接中给出的解决方案进行操作。使用该解决方案中提供的正则表达式和 xpath 条件的组合，我能够找到我的两个 lxml 元素 E1 和 E2。现在我想收集从 E1 到 E2 的所有东西（可能在不同的树上，就像你说的那样）。
哦，太好了！这是一个很棒的解决方案，从来没有想过这个！谢谢。