防止 python lxml 添加纯文本 标签答案

【问题标题】：Prevent python lxml from adding plain text a tag防止 python lxml 添加纯文本 标签
【发布时间】：2016-10-05 04:53:43
【问题描述】：

我不希望 lxml 向纯文本添加任何内容。我故意离开他们。 lxml 添加纯文本  标签。这里value 可能是html 或纯文本。我需要 lxml 来处理 html 并留下纯文本。

import lxml.html
mixed = ['plaintext', '<a>HTML</a>', '<a>HTML</a>']
for text in mixed:
    html = lxml.html.fromstring(text)
    print(lxml.html.tostring(html))

输出： b'plaintext' b'<a>HTML</a>' b'<a>HTML</a>'

我需要的是： b'plaintext' b'<a>HTML</a>' b'<a>HTML</a>'

所以我想出了几个问题。

如何知道一个 sn-p 是纯的，没有任何 html 标签？（这样我就不必将它们传递给 lxml），或者
如何阻止 lxml 在纯文本中添加 标签？

【问题讨论】：

你能添加一个例子，说明你有什么作为输入和你想要什么作为输出吗？
@PadraicCunningham，我现在举了一个简短的例子。
不确定是否可以使用 lxml，有多种方法可以检查您是否有 html，只需检查以 < 开头的字符串或使用更复杂的正则表达式。
试试html.parser，crummy.com/software/BeautifulSoup/bs4/doc/…，用bs4替换lxml更好的选择。

标签： python lxml

【解决方案1】：

试试这个库...在处理 XML 页面时，我不必使用“re”模块，因为某些愚蠢的原因，scrapy selctors 工作不稳定...

from w3lib.html import remove_tags

def parse(self, response):
    hxs = HtmlXPathSelector(response)
    follow = hxs.xpath('//loc').re('.*type=videos.*')
    follow = [remove_tags(x) for x in follow]
    # It wont remove regex lines like \n

【讨论】：