解析lxml.etree._Element内容

Question

我有一个从一个 <table> 中解析出来的元素。

<td align="center" valign="top">
  <a href="ConfigGroups.aspx?cfgID=451161&amp;prjID=11778&amp;grpID=DTST" 
    target="_blank">
    5548U
  </a><br/>Power La Vaca<br/>(M8025K)<br/>Linux 4.2.x.x<br/>
</td>

我想从这个元素中提取出“55488 Power La Vaca (8025K) Linux 4.2.x.x”（包括空格）。

import lxml.etree as ET
td_html = """
<td align="center" valign="top">
  <a href="ConfigGroups.aspx?cfgID=451161&amp;prjID=11778&amp;grpID=DTST" 
    target="_blank">
    5548U
  </a><br/>Power La Vaca<br/>(M8025K)<br/>Linux 4.2.x.x<br/>
</td>
"""

td_elem = ET.fromstring(td_html)

fail_1 = td_elem.find('a').text + td_elem.text
print "FAIL_1", fail_1

print "FAIL_2"
for elem in td_elem.iterchildren():
    print elem.tag, elem.text

结果

$ python textxml.py

FAIL_1
    5548U


FAIL_2
a
    5548U

br None
br None
br None
br None
$

问题

我觉得问这个问题有点丢脸，因为这看起来应该不难。

我该如何从 td_elem 元素中提取出“Power La Vaca (8025K) Linux 4.2.x.x”（包括空格）呢？

请不要给我正则表达式的解决方案。

解决方案

明确的解决方案（使用Finn的建议 itertext()）：

import lxml.etree as ET
td_html = """
<td align="center" valign="top">
  <a href="ConfigGroups.aspx?cfgID=451161&amp;prjID=11778&amp;grpID=DTST" 
    target="_blank">
    5548U
  </a><br/>Power La Vaca<br/>(M8025K)<br/>Linux 4.2.x.x<br/>
</td>
"""

td_elem = ET.fromstring(td_html)
print "SUCCESS", ' '.join([txt.strip() for txt in td_elem.itertext()])

Answer 1

在处理XML的时候，即使是在Python中，我也喜欢尝试使用一些专门的工具来帮助我。对于解析XML的一部分内容，我觉得XPath是最合适的选择。

>>> td_elem = ET.fromstring(td_html)
>>>
>>> # Use XPath to grab just the text nodes under <td/>, 
>>> # ignoring any text nodes in child nodes of <td/> (i.e., <a...>5548U</a>)
>>> print(td_elem.xpath('/td/text()'))
['\n  ', 'Power La Vaca', '(M8025K)', 'Linux 4.2.x.x', '\n']
>>>
>>> # Make it a little cleaner
>>> ' '.join(x.strip() for x in td_elem.xpath('/td/text()'))
' Power La Vaca (M8025K) Linux 4.2.x.x '
>>>
>>> # Just for reference, grab all text nodes with '//'
>>> ' '.join(x.strip() for x in td_elem.xpath('/td//text()'))
' 5548U Power La Vaca (M8025K) Linux 4.2.x.x '

Answer 2

我知道一定有更好的方法，但这个方法可以用。

link = td_elem.find('a').text.strip()
text = ''.join(td_elem.itertext()).strip()
text.split(link)[1]

输出结果是 Power La Vaca(M8025K)Linux 4.2.x.x

更新：如果你想用空格代替那些 <br>，这样做其实更好。

' '.join(map(str, [el.tail for el in td_elem.iterchildren() if el.tail]))

其实这个 map str 并不是必须的，但我能想象有其他值是需要它的。