在lxml/Python中的选定元素旁边获取文本

Question

我有以下HTML标记，我希望从此代码片段中以纯文本的形式获取英文说明 - 没有“英文，也没有任何标记”：

from lxml import etree 


html = ''' 
    <td class="description"> 
    <p><b>English:</b> Ulm, Germany, old town with Münster, city wall and Metzgerturm, as seen from the south bank of the river Danube.</p> 
    <p><b>Deutsch:</b> Ulm, Ansicht der Altstadt vom rechten Donauufer aus. Abgebildet ist das Donauschwabenufer, von der Altstadt sind erkennbar: Das dominante Münster mit Hauptturm, Schiff und zwei Chortürmen; unterhalb des Hauptturms des Münsters zwei Giebel, die zur historischen Krone gehören (linker Giebel größtenteils von Bäumen verdeckt); die Spitze der neuen, gläsernen Stadtbibliothek von Gottfried Böhm; weiter rechts zwei Giebel des Rathauses (gelb-braun); am rechten Rand der Metzgerturm als Teil der Stadtbefestigung.</p> 
    </td> 
''' 

tree = etree.fromstring(html) 
for el in tree.xpath('//td[contains(concat(" ", normalize-space(@class), " "), " description ")]/div|p'): 
    print etree.tostring(el) 

通过这个脚本，我得到了包括所有标签在内的单个段落，但是我卡在那里......这些段落也可能是DIV;因此我在xpath中使用了div | p。

的LXML解决方案还应与DIV容器的工作是这样的：

<td class="description"> 
    <div class="description mw-content-ltr et" dir="ltr" lang="et" style=""><span class="language et" title=""><b>Eesti:</b></span> Olen loonud selle pildi, kui ma nägin arutelu uue Wiki logo.</div> 
    <div class="description mw-content-ltr en" dir="ltr" lang="en" style=""><span class="language en" title=""><b>English:</b></span> "Prototype" for new Wiktionary Logo</div> 
</td> 

Answer 1

你想要得到的文本是b标签尾：

import lxml.html 

html = u''' 
    <td class="description"> 
    <p><b>English:</b> Ulm, Germany, old town with Münster, city wall and Metzgerturm, as seen from the south bank of the river Danube.</p> 
    <p><b>Deutsch:</b> Ulm, Ansicht der Altstadt vom rechten Donauufer aus. Abgebildet ist das Donauschwabenufer, von der Altstadt sind erkennbar: Das dominante Münster mit Hauptturm, Schiff und zwei Chortürmen; unterhalb des Hauptturms des Münsters zwei Giebel, die zur historischen Krone gehören (linker Giebel größtenteils von Bäumen verdeckt); die Spitze der neuen, gläsernen Stadtbibliothek von Gottfried Böhm; weiter rechts zwei Giebel des Rathauses (gelb-braun); am rechten Rand der Metzgerturm als Teil der Stadtbefestigung.</p> 
    </td> 
    <td class="description"> 
     <div class="description mw-content-ltr et" dir="ltr" lang="et" style=""><span class="language et" title=""><b>Eesti:</b></span> Olen loonud selle pildi, kui ma nägin arutelu uue Wiki logo.</div> 
     <div class="description mw-content-ltr en" dir="ltr" lang="en" style=""><span class="language en" title=""><b>English:</b></span> "Prototype" for new Wiktionary Logo</div> 
    </td> 
''' 

tree = lxml.html.fromstring(html) 
for el in tree.cssselect('td.description p b, td.description span'): 
    if el.text_content().startswith('English'): 
     print(el.tail.strip()) 

输出：

Ulm, Germany, old town with Münster, city wall and Metzgerturm, as seen from the south bank of the river Danube. 
"Prototype" for new Wiktionary Logo 

注意您需要使用lxml.html。否则，您不能使用text_cotnent()方法。