1
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”:在lxml/Python中的选定元素旁边获取文本
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>
@SimonSteinberger,你可以用包含'div'的html来更新问题吗? – falsetru 2014-10-03 13:35:12
完成 - 我只想提取英文说明。 – 2014-10-03 13:38:07
好的,但我仍然得到非英文的描述。我试图只提取这两个句子:“乌尔姆,德国......”和“原型......” – 2014-10-03 13:43:16