如何使用lxml从这个HTML代码片段中获取文本？

2022-04-01 00:00:00 python xml lxml

问题描述

谁能解释为什么此代码段在断言中失败？

from lxml import etree

s = '<div><h2><img />XYZZY</h2></div>'

root = etree.fromstring(s)

elements = root.xpath(".//*[contains(text(),'XYZZY')]")  # Finds 1 element, as expected

for el in elements:
    assert el.text is not None

然后...如何访问&Quot；XYZZY&Quot；并将其更改为&Quot；ZYX&Quot；？

解决方案

谁能解释为什么此代码段在断言中失败？

因为<h2>元素的文本由lxml存储在h2元素的一个子元素中。您可以使用itertext()获取您需要的内容。

from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)
elements = root.xpath(".//*[contains(text(),'XYZZY')]")
for el in elements:
    el_text = ''.join(el.itertext())
    assert el_text is not None
    print(el_text)

更新：进一步查看后，发现每个元素都有3个相关属性：.tag、.text和.tail。

对于.tail属性，there is a small part in the tutorial可以解释：

<html><body>Hello<br/>World</body></html>

这里，
标记用文本括起来。这通常被称为文档样式或混合内容的XML。元素通过其 Tail属性。它包含紧跟在元素后面的文本，直到XML树中的下一个元素

如何填充.tail是again explained here：

LXML将未包装在其自己的标记中的尾随文本追加为前一个标记的.tail属性。

因此我们实际上可以编写以下代码，以遍历元素树中的每个元素并找到文本XYZZY所在的位置：

from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)

context = etree.iterwalk(root, events=("start","end"))
for action, elem in context:
    print("%s: %s : [text=%s : tail=%s]" % (action, elem.tag, elem.text, elem.tail))

输出：

start: div : [text=None : tail=None]
start: h2 : [text=None : tail=None]
start: img : [text=None : tail=XYZZY]
end: img : [text=None : tail=XYZZY]
end: h2 : [text=None : tail=None]
end: div : [text=None : tail=None]

因此它位于<img>元素的.tail属性中。

关于您的第二个问题：

然后...如何访问&Quot；XYZZY&Quot；并将其更改为&Quot；ZYX&Quot；？

一种解决方案是只遍历元素树，检查每个元素的文本或尾部中是否有字符串，然后替换它：

#!/usr/bin/python3
from lxml import etree
s = '<div><h2><img />XYZZY</h2></div>'
root = etree.fromstring(s)

search_string = "XYZZY"
replace_string = "ZYX"

context = etree.iterwalk(root, events=("start","end"))
for action, elem in context:
    if elem.text and elem.text.strip() == search_string:
        elem.text = replace_string
    elif elem.tail and elem.tail.strip() == search_string:
        elem.tail = replace_string

print(etree.tostring(root).decode("utf-8"))

输出：

<div><h2><img/>ZYX</h2></div>

相关文章