2014-10-03 60 views
1

我有以下HTML標記,我希望從此代碼片段中以純文本的形式獲取英文說明 - 沒有「英文,也沒有任何標記」:在lxml/Python中的選定元素旁邊獲取文本

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) 

通過這個腳本,我得到了包括所有標籤在內的單個段落,但是我卡在那裏......這些段落也可能是DIV;因此我在xpath中使用了div | p。

的LXML解決方案還應與DIV容器的工作是這樣的:

<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> 

回答

3

你想要得到的文本是b標籤尾:

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()) 

輸出:

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。否則,您不能使用text_cotnent()方法。

+0

@SimonSteinberger,你可以用包含'div'的html來更新問題嗎? – falsetru 2014-10-03 13:35:12

+0

完成 - 我只想提取英文說明。 – 2014-10-03 13:38:07

+0

好的,但我仍然得到非英文的描述。我試圖只提取這兩個句子:「烏爾姆,德國......」和「原型......」 – 2014-10-03 13:43:16