使用 pyquery 库或 beautifulsoup 解析 HTML 元素。或不同的选择

Question

<div1 class="tag1">
  <div2 class="tag2">
    <div3 class="tag3">no</div3>
    yes
  </div2>
</div1>

我想解析 div1，如果它有一个，我就得到它的文本我想保留 {name_class: tag1 (or None), text: None}，我重申：{name_class: tag2 , text: yes}, {name_class: tag3 , text: no}

我解决这个问题的代码：

from pyquery import PyQuery as pq

a = '<div><div>no</div>yes</div>'
tryy = pq(a)[0]

tmp = [{"text" : tryy.text, "class" : pq(tryy).attr('class')}]
tmp + parse_rec(a)

type(tryy) = lxml.etree._Element' 但问题是：lxml.etree._Element.text 不保留 div2

中包含的“是”

我试过了，但它不适用于 bs4 Only extracting text from this element, not its children

欢迎使用任何库的所有解决方案

Answer 1

根据文档，文本“yes”将被视为元素 div3 的 tail。使用您的示例 XML，以下代码：

from lxml import etree

root = etree.parse("sample.xml")

for element in root.getiterator():
    print(f"{element.text.strip()}, {element.attrib['class']}, {element.tail.strip() if element.tail else ''}")

输出：

, tag1, 
, tag2, 
no, tag3, yes

使用 pyquery 库或 beautifulsoup 解析 HTML 元素。或不同的选择

Parse an HTML element using the pyquery library or beautifulsoup. or a different alternative

python

lxml

beautifulsoup

pyquery