lxml 删除标签内未包装的文本答案

【问题标题】：lxml removes unwrapped text inside taglxml 删除标签内未包装的文本
【发布时间】：2016-07-29 14:16:52
【问题描述】：

这是我的带有 lxml 的 python 代码

import urllib.request
from lxml import etree
#import lxml.html as html
from copy import deepcopy
from lxml import etree
from lxml import html


some_xml_data = "<span>text1<div>ddd</div>text2<div>ddd</div>text3</span>"
root = etree.fromstring(some_xml_data)
[c] = root.xpath('//span')
print(etree.tostring(root))  #b'<span>text1<div>ddd</div>text2<div>ddd</div>text3</span>' #output as expected
#but if i do some changes
for e in c.iterchildren("*"):
    if e.tag == 'div':
        e.getparent().remove(e)

print(etree.tostring(root)) #b'<span>text1</span>' text2 and text3 removed! how to prevent this deletion?

看起来像在我对 lxml 树进行了一些更改之后（删除了一些标签） lxml 还删除了一些未包装的文本！如何防止 lxml 这样做并保存未包装的文本？

【问题讨论】：

标签： python lxml

【解决方案1】：

节点之后的文本称为tail，可以通过附加到父节点的文本来保留，这里是一个示例：

In [1]: from lxml import html

In [2]: s = "<span>text1<div>ddd</div>text2<div>ddd</div>text3</span>"
   ...: 

In [3]: tree = html.fromstring(s)

In [4]: for node in tree.iterchildren("div"):
   ...:     if node.tail:
   ...:         node.getparent().text += node.tail
   ...:     node.getparent().remove(node)
   ...:     

In [5]: html.tostring(tree)
Out[5]: b'<span>text1text2text3</span>'

我使用html，因为它比 xml 更可能是结构。您可以简单地使用iterchildren 和div 来避免额外检查标签。

【讨论】：