LXML/Python的：把以前的同胞

Question

我有以下的html：

<div id = "big"> 
    <span>header 1</span> 
    <ul id = "outer"> 
     <li id = "inner">aaa</li> 
     <li id = "inner">bbb</li> 
    </ul> 

    <span>header 2</span> 
    <ul id = "outer"> 
     <li id = "inner">ccc</li> 
     <li id = "inner">ddd</li> 
    </ul> 
</div> 

我希望它環路其順序爲：

header 1 
aaa 
bbb 
header 2 
ccc 
ddd 

我曾試圖通過每個UL，然後循環打印標題和li值。但是，我不知道如何獲得與ul關聯的span標頭。

sets = tree.xpath("//div[@id='big']//ul[@id='outer']") 

for set in sets: 

    # Print header. Not sure how to get it 
    header = set.xpath(".//li/preceding-sibling::span") 
    print header 

    # Print texts. This works. 
    values = set.xpath(".//li//text()") 
    for v in values: 
     print v 

只循環所有文本節點將無法正常工作，因爲我需要知道它是否是標題或li值。

Answer 1

這工作：

header = ingred_set.getprevious().xpath(".//text()")[0] 

Answer 2

對於HTML使用BeautifulSoup。它給你access to previous and next siblings直接：

sibling_soup.b.next_sibling 
# <c>text2</c> 

sibling_soup.c.previous_sibling 
# <b>text1</b> 

此外，你可以告訴BS使用lxml解析器constructor。從實踐中我可以看出，lxml在格式錯誤的輸入上執行比缺省html.parser更好