Подтвердить что ты не робот

Получить весь текст внутри тега в lxml

Я бы хотел написать фрагмент кода, который бы захватил весь текст внутри тега <content> в lxml во всех трех экземплярах ниже, включая теги кода. Я пробовал tostring(getchildren()), но это пропустило бы текст между тегами. Мне не очень повезло в поиске API для соответствующей функции. Не могли бы вы мне помочь?

<!--1-->
<content>
<div>Text inside tag</div>
</content>
#should return "<div>Text inside tag</div>

<!--2-->
<content>
Text with no tag
</content>
#should return "Text with no tag"


<!--3-->
<content>
Text outside tag <div>Text inside tag</div>
</content>
#should return "Text outside tag <div>Text inside tag</div>"
4b9b3361

Ответ 1

Try:

def stringify_children(node):
    from lxml.etree import tostring
    from itertools import chain
    parts = ([node.text] +
            list(chain(*([c.text, tostring(c), c.tail] for c in node.getchildren()))) +
            [node.tail])
    # filter removes possible Nones in texts and tails
    return ''.join(filter(None, parts))

Пример:

from lxml import etree
node = etree.fromstring("""<content>
Text outside tag <div>Text <em>inside</em> tag</div>
</content>""")
stringify_children(node)

Производит: '\nText outside tag <div>Text <em>inside</em> tag</div>\n'

Ответ 2

Помогает ли text_content() делать что вам нужно?

Ответ 3

Просто используйте метод node.itertext(), как в:

 ''.join(node.itertext())

Ответ 4

Следующий фрагмент, который использует генераторы python, отлично работает и очень эффективен.

''.join(node.itertext()).strip()

Ответ 5

Версия альбертов stringify-content, которая исправляет ошибки, о которых сообщает hoju:

def stringify_children(node):
    from lxml.etree import tostring
    from itertools import chain
    return ''.join(
        chunk for chunk in chain(
            (node.text,),
            chain(*((tostring(child, with_tail=False), child.tail) for child in node.getchildren())),
            (node.tail,)) if chunk)

Ответ 6

import urllib2
from lxml import etree
url = 'some_url'

Получение URL

test = urllib2.urlopen(url)
page = test.read()

получение всего html-кода внутри тега table

tree = etree.HTML(page)

селектор xpath

table = tree.xpath("xpath_here")
res = etree.tostring(table)

res - html-код таблицы это работало для меня.

чтобы вы могли извлекать содержимое тегов с помощью xpath_text() и тегов, включая их содержимое, используя tostring()

div = tree.xpath("//div")
div_res = etree.tostring(div)
text = tree.xpath_text("//content") 

или text = tree.xpath( "//content/text()" )

div_3 = tree.xpath("//content")
div_3_res = etree.tostring(div_3).strip('<content>').rstrip('</')

эта последняя строка с использованием метода strip не является приятной, но она просто работает

Ответ 7

Определение stringify_children таким образом может быть менее сложным:

from lxml import etree

def stringify_children(node):
    s = node.text
    if s is None:
        s = ''
    for child in node:
        s += etree.tostring(child, encoding='unicode')
    return s

или в одной строке

return (node.text if node.text is not None else '') + ''.join((etree.tostring(child, encoding='unicode') for child in node))

Обоснование такое же, как в этом ответе: оставьте сериализацию дочерних узлов до lxml. tail часть node в этом случае не интересна, так как она "позади" конечного тега. Обратите внимание, что аргумент encoding может быть изменен в соответствии с потребностями.

Еще одно возможное решение - сериализовать сам node, а затем отбросить начальный и конечный теги:

def stringify_children(node):
    s = etree.tostring(node, encoding='unicode', with_tail=False)
    return s[s.index(node.tag) + 1 + len(node.tag): s.rindex(node.tag) - 2]

что несколько ужасно. Этот код верен, только если node не имеет атрибутов, и я не думаю, что кто-то захочет его использовать даже тогда.

Ответ 8

В ответ на комментарий @Richard выше, если вы исправляете stringify_children для чтения:

 parts = ([node.text] +
--            list(chain(*([c.text, tostring(c), c.tail] for c in node.getchildren()))) +
++            list(chain(*([tostring(c)] for c in node.getchildren()))) +
           [node.tail])

похоже, он избегает дублирования, на которое он ссылается.

Ответ 9

Один из простейших фрагментов кода, который действительно работал у меня и в соответствии с документацией в http://lxml.de/tutorial.html#using-xpath-to-find-text,

etree.tostring(html, method="text")

где etree - это node/tag, полный текст которого вы пытаетесь прочитать. Вот почему он не избавляется от script и тегов стиля.

Ответ 10

Я знаю, что это старый вопрос, но это общая проблема, и у меня есть решение, которое кажется более простым, чем предлагаемые до сих пор:

def stringify_children(node):
    """Given a LXML tag, return contents as a string

       >>> html = "<p><strong>Sample sentence</strong> with tags.</p>"
       >>> node = lxml.html.fragment_fromstring(html)
       >>> extract_html_content(node)
       "<strong>Sample sentence</strong> with tags."
    """
    if node is None or (len(node) == 0 and not getattr(node, 'text', None)):
        return ""
    node.attrib.clear()
    opening_tag = len(node.tag) + 2
    closing_tag = -(len(node.tag) + 3)
    return lxml.html.tostring(node)[opening_tag:closing_tag]

В отличие от некоторых других ответов на этот вопрос, это решение сохраняет все теги, содержащиеся в нем, и атакует проблему под другим углом, чем другие рабочие решения.

Ответ 11

Вот рабочее решение. Мы можем получить контент с родительским тегом, а затем вырезать родительский тег из вывода.

import re
from lxml import etree

def _tostr_with_tags(parent_element, html_entities=False):
    RE_CUT = r'^<([\w-]+)>(.*)</([\w-]+)>$' 
    content_with_parent = etree.tostring(parent_element)    

    def _replace_html_entities(s):
        RE_ENTITY = r'&#(\d+);'

        def repl(m):
            return unichr(int(m.group(1)))

        replaced = re.sub(RE_ENTITY, repl, s, flags=re.MULTILINE|re.UNICODE)

        return replaced

    if not html_entities:
        content_with_parent = _replace_html_entities(content_with_parent)

    content_with_parent = content_with_parent.strip() # remove 'white' characters on margins

    start_tag, content_without_parent, end_tag = re.findall(RE_CUT, content_with_parent, flags=re.UNICODE|re.MULTILINE|re.DOTALL)[0]

    if start_tag != end_tag:
        raise Exception('Start tag does not match to end tag while getting content with tags.')

    return content_without_parent

parent_element должен иметь тип Element.

Обратите внимание, что, если вы хотите, чтобы текстовый контент (а не html-объекты в тексте), пожалуйста, оставьте параметр html_entities как False.

Ответ 12

lxml имеют способ для этого:

node.text_content()

Ответ 13

Если это тег, вы можете попробовать:

node.values()

Ответ 14

import re
from lxml import etree

node = etree.fromstring("""
<content>Text before inner tag
    <div>Text
        <em>inside</em>
        tag
    </div>
    Text after inner tag
</content>""")

print re.search("\A<[^<>]*>(.*)</[^<>]*>\Z", etree.tostring(node), re.DOTALL).group(1)