当前位置：首页 > article >正文

lxml提取某个外层标签里的所有文本

article 2024/12/26 4:56:15

html如下

<div data-v-1cf6f280="" class="analysis-content">
    选项D错误：
    <strong>在衡量通货膨胀时，</strong>
    <strong>消费者物价指数使用得最多、最普遍</strong>
    。
</div>

解析html文本

from lxml import etree
html1 = '''
<div data-v-1cf6f280="" class="analysis-content">
    选项D错误：
    <strong>在衡量通货膨胀时，</strong>
    <strong>消费者物价指数使用得最多、最普遍</strong>
    。
</div>
'''

html = etree.HTML(html1)

方法一：join

s1 = html.xpath('//div/text()')

# 去掉空格和换行符
s11 = [x.strip() for x in s1]
print('div标签文本：',s1);print('div标签文本去掉空格和换行符：',s11)
s2 = html.xpath('//strong/text()')
print('strong标签文本',s2)
s3 = ''.join(s2)
s11[1] = s3
s = ''.join(s11)

print('拼接后：\n',s)

方法二：遍历父子节点

def extract_text(element):
    text = []

    # 获取当前元素的文本（不包括子元素）
    if element.text:
        text.append(element.text.strip())

    # 遍历所有子元素，递归提取
    for child in element:
        text.extend(extract_text(child))  # 递归调用处理子元素

    # 获取当前元素尾部的文本（如果有）
    if element.tail:
        text.append(element.tail.strip())

    return text


# 获取<div>标签内的所有文本内容
text_list = extract_text(html)

# 拼接所有文本并输出
final_text = ''.join(text_list)
print("拼接后的文本：\n", final_text)