lxml xpath 获取两个嵌套表之间的文本

Question

我有一个包含嵌套表的 html。我希望在外部表格和内部表格之间找到文本。我认为这是一个经典的问题，但到目前为止还没有找到答案。我想出的是 tree.xpath(//p[not(ancestor-or-self::table)])。但这不起作用，而是因为所有文本都来自外部表格。也只使用preceding::table 是不够的，因为文本可以包围内表。

举个概念性的例子，如果一个表格看起来像 [...text1...[inside table No.1]...text2...[inside table No.2]...text3...]，我怎样才能得到 text1/2/3 而不会被来自 inside tables No.1&2 的文本污染。也许这是我的想法，是否可以通过 xpath 构建一个 table layer 的概念，这样我就可以告诉 lxml 或其他库“Give me all text between layer 0 and 1”

下面是一个简化的示例 html 文件。实际上，外部表可能包含许多嵌套表，但我只想要最外部表与其第一个嵌套表之间的文本。谢谢各位！

<table>
    <tr><td>
        <p> text I want </p>
        <div> they can be in different types of nodes </div>
        <table>
            <tr><td><p> unwanted text </p></td></tr>
            <tr><td>
                <table>
                    <tr><td><u> unwanted text</u></td></tr> 
                </table>
            </td></tr>
        </table>
        <p> text I also want </p>
        <div> as long as they're inside the root table and outside the first-level inside tables </div>
    </td></tr>
    <tr><td>
        <u> they can be between the first-level inside tables </u>
        <table>
        </table>
    </td></tr>
</table>

它返回["text I want", "they can be in different types of nodes", "text I also want", "as long as they're inside the root table and outside the first-level inside tables", "they can be between the first-level inside tables"]。

Answer 1

如果最外面的表是根元素，则可以执行此操作的 XPath 之一：

/table/descendant::table[1]/preceding::p

在这里，您遍历最外层table 的第一个后代table，然后选择其前面的所有p 元素。

如果没有，您将不得不采取不同的方法来访问tables 之间的p 元素，可能是使用generate-id() 函数。