如何使用Python中的lxml剥离XML标签中的所有子标签，但保留文本以合并到父标签中？

Question

怎么让 etree.strip_tags() 去掉某个标签元素下的所有可能的标签呢？

我是不是得自己一个个列出来，比如：

STRIP_TAGS = [ALL TAGS...] # Is there a built in list or dictionary in lxml
                           # that gives you all tags?
etree.strip_tags(tag, *STRIP_TAGS)

有没有更优雅的方法我不知道呢？

示例输入：

parent_tag = "<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>"

想要的输出：

# <parent>This is some text with multiple tags and sometimes they are nested.</parent>

或者更好的是：

This is some text with multiple tags and sometimes they are nested.

Answer 1

这个回答有点晚了，但我觉得提供一个比最初的回答者ars更简单的解决方案，可能会对你有帮助。

简短回答

在调用strip_tags()时，使用"*"这个参数，可以指定要去掉所有的标签。

详细回答

根据你的XML字符串，我们可以创建一个lxml元素：

>>> import lxml.etree
>>> s = "<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>"
>>> parent_tag = lxml.etree.fromstring(s)

你可以这样检查这个实例：

>>> parent_tag
<Element parent at 0x5f9b70>
>>> lxml.etree.tostring(parent_tag)
b'<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>'

要去掉除了parent标签以外的所有标签，可以像你建议的那样使用etree.strip_tags()函数，但要加上"*"这个参数：

>>> lxml.etree.strip_tags(parent_tag, "*")

检查后发现所有子标签都被去掉了：

>>> lxml.etree.tostring(parent_tag)
b'<parent>This is some text with multiple tags and sometimes they are nested.</parent>'

这就是你想要的输出。注意，这会修改lxml元素实例本身！为了让它更好（就像你要求的那样 :-))，只需获取text属性：

>>> parent_tag.text
'This is some text with multiple tags and sometimes they are nested.'

Answer 2

你可以使用 lxml.html.clean 这个模块来处理HTML内容：

import lxml.html, lxml.html.clean


s = '<parent>This is some <i>text</i> with multiple <some_tag>tags</some_tag> and sometimes they <tt>are<bold> nested</bold></tt>.</parent>'

tree = lxml.html.fromstring(s)
cleaner = lxml.html.clean.Cleaner(allow_tags=['parent'], remove_unknown_tags=False)
cleaned_tree = cleaner.clean_html(tree)

print lxml.etree.tostring(cleaned_tree)
# <parent>This is some text with multiple tags and sometimes they are nested.</parent>